Upload
ys-oektriasari
View
131
Download
23
Embed Size (px)
Citation preview
SILABUS MATA KULIAH
Mata Kuliah EPIDEMIOLOGI KESEHATAN A
Kode Mata Kuliah KL306
Semester III
Tahun Ajaran 2012 2013
Beban SKS 2 SKS
Team Dosen 1 Erdi Nur SKM MSi
2 Muchsin Riviwanto SKM MSi
3 Magzaiben ZainirSKMKes
4 Darwel SKM MEpid
Deskripsi Mata Kuliah
Mata kuliah ini membahas tentang penerapan studi epidemiolog kegiatan survailence pemetaan masalah penyakit ukuran tendensi sentral penyelidikan KLB
Standar KompetensiMelaksanakan survailence kesehatan lingkungan dan penyelidikan KLB
Tujuan Mata KuliahPada akhir perkuliahan diharapkan mahasiswa mampu
1 Memahami berbagai jenis penelitian epidemiologi (deskriptif dan analitik)
2 Memahami tahap-tahap kegiatan survailence dan pemetaan penyakit3 Menghitung ukuran tendensi sentral dan mampu melaksanakan
penyelidikan KLB
Materi pokok
1 Filsafat ilmu pengetahuan dan penelitian2 Penelitian epidemiologi3 Survailence epidemiologi4 Kejadian luar biasa
Bobot Penilaian
Diskusi penugasan 20
Mid Semester 45 Akhir Semester 45
TGL TUJUAN INSTRUKSIONAL KHUSUS (TIK)
MATERI POKOK
METODE PEMBELAJARAN
PENGAJAR
PBC
PBD
PBP
PBL
I 1 Mahasiswa mampu memahami dan menjelaskan arti dan manfaat tujuan dan macam-macam epidemiologi
2 Menjelaskan konsep epidemiologi
Pengantar Epidemiologi batasantujuan macam-macam dan konsep epidemiologi
1 1 MAGZAIBEN
II 1 Mahasiswa mampu memahami dan menjelaskan riwayat epidemiologi
2 Mahasiswa mampu memahami dan menjelaskan segitiga epidemiologi
3 Mahasiswa mampu memahami dan menjelaskan karakteristik epidemiologi
Riwayat segitiga epidemiologi dan karakteristik
1 1 MAGZAIBEN
III 1 Mahasiswa mampu memahami dan menjelaskan variable-variabel epidemiologi
Variabel epidemiologi (waktutempat orang)
1 1 MAGZAIBEN
IV 1 Mahasiswa mampu memahami dan menjelaskan apa itu ukuran epidemiologi
Ukuran Epidemiologi
1 1 ERDINURSKMMKES
V 1 Mahasiswa mampu memahami dan menjelaskan frekuensi epidemiologi
2 Mahasiswa mampu memahami dan menjelaskan tendency central
Ukuran frekuensi dan tendency central
1 1 1 ERDINURSKMMKES
VI 1 Mahasiswa mampu memahami dan menjelaskan pengertian dari screening
2 Mahasiswa mampu memahami dan menjelaskan tujuan dan manfaat screening
3 Mahasiswa mampu memahami dan menjelaskan macam-macam screening
Pengertian screening tujuan manfaat dan macam-macam screening
1 1 ERDINURSKMMKES
VII 1 Mahasiswa mampu memahami dan menjelaskan bentuk
2
Pelaksanaan screening
1 1 1 ERDINURSKMMKES
Ujian tengah semesterVIII 1 Mahasiswa mampu
memahami dan menjelaskan teori simpul
Teori simpul Darwel SKM MEpid
Ujian tengah semesterIX 1 Mahasiswa mampu
memahami dan menjelaskan Rate
2 Mahasiswa mampu memahami dan melakukkan proses pengolahan data kasus
3 Mahasiswa mampu memahami
Standarisasi 1 1 Darwel SKM MEpid
memahami dan melakukan proses analisis
4 Mahasiswa mampu memahami dan melakukan proses penyajian data
5 Mahasiswa mampu memahami dan melakukan proses pendataan
6 Mahasiswa mampu memahami dan melakukan proses feedback
X 1 Mahasiswa mampu mengoperasikan epidata
Penggunaan epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XI 1 Mahasiswa mampu mengoperasikan epidata
Epidata Lanjutan
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XII 1 Mahasiswa mampu mengoperasikan epidata
Fasilitas check pada epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIII 1 Mahasiswa mampu mengoperasikan epidata dalam mengeksport data ke SPSS
Export Epidata ke SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO
SKM Si amp Darwel SKM MEpid
XV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XVI 1 Mahasiswa mampu memahami dan melakukan pengolahan data ANOVA pada SPSS
Mengoperasikan SPSS dengan uji anova dan chi square
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
UJIAN AKHIR SEMESTER8 5 2 3
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Mid Semester 45 Akhir Semester 45
TGL TUJUAN INSTRUKSIONAL KHUSUS (TIK)
MATERI POKOK
METODE PEMBELAJARAN
PENGAJAR
PBC
PBD
PBP
PBL
I 1 Mahasiswa mampu memahami dan menjelaskan arti dan manfaat tujuan dan macam-macam epidemiologi
2 Menjelaskan konsep epidemiologi
Pengantar Epidemiologi batasantujuan macam-macam dan konsep epidemiologi
1 1 MAGZAIBEN
II 1 Mahasiswa mampu memahami dan menjelaskan riwayat epidemiologi
2 Mahasiswa mampu memahami dan menjelaskan segitiga epidemiologi
3 Mahasiswa mampu memahami dan menjelaskan karakteristik epidemiologi
Riwayat segitiga epidemiologi dan karakteristik
1 1 MAGZAIBEN
III 1 Mahasiswa mampu memahami dan menjelaskan variable-variabel epidemiologi
Variabel epidemiologi (waktutempat orang)
1 1 MAGZAIBEN
IV 1 Mahasiswa mampu memahami dan menjelaskan apa itu ukuran epidemiologi
Ukuran Epidemiologi
1 1 ERDINURSKMMKES
V 1 Mahasiswa mampu memahami dan menjelaskan frekuensi epidemiologi
2 Mahasiswa mampu memahami dan menjelaskan tendency central
Ukuran frekuensi dan tendency central
1 1 1 ERDINURSKMMKES
VI 1 Mahasiswa mampu memahami dan menjelaskan pengertian dari screening
2 Mahasiswa mampu memahami dan menjelaskan tujuan dan manfaat screening
3 Mahasiswa mampu memahami dan menjelaskan macam-macam screening
Pengertian screening tujuan manfaat dan macam-macam screening
1 1 ERDINURSKMMKES
VII 1 Mahasiswa mampu memahami dan menjelaskan bentuk
2
Pelaksanaan screening
1 1 1 ERDINURSKMMKES
Ujian tengah semesterVIII 1 Mahasiswa mampu
memahami dan menjelaskan teori simpul
Teori simpul Darwel SKM MEpid
Ujian tengah semesterIX 1 Mahasiswa mampu
memahami dan menjelaskan Rate
2 Mahasiswa mampu memahami dan melakukkan proses pengolahan data kasus
3 Mahasiswa mampu memahami
Standarisasi 1 1 Darwel SKM MEpid
memahami dan melakukan proses analisis
4 Mahasiswa mampu memahami dan melakukan proses penyajian data
5 Mahasiswa mampu memahami dan melakukan proses pendataan
6 Mahasiswa mampu memahami dan melakukan proses feedback
X 1 Mahasiswa mampu mengoperasikan epidata
Penggunaan epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XI 1 Mahasiswa mampu mengoperasikan epidata
Epidata Lanjutan
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XII 1 Mahasiswa mampu mengoperasikan epidata
Fasilitas check pada epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIII 1 Mahasiswa mampu mengoperasikan epidata dalam mengeksport data ke SPSS
Export Epidata ke SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO
SKM Si amp Darwel SKM MEpid
XV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XVI 1 Mahasiswa mampu memahami dan melakukan pengolahan data ANOVA pada SPSS
Mengoperasikan SPSS dengan uji anova dan chi square
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
UJIAN AKHIR SEMESTER8 5 2 3
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
V 1 Mahasiswa mampu memahami dan menjelaskan frekuensi epidemiologi
2 Mahasiswa mampu memahami dan menjelaskan tendency central
Ukuran frekuensi dan tendency central
1 1 1 ERDINURSKMMKES
VI 1 Mahasiswa mampu memahami dan menjelaskan pengertian dari screening
2 Mahasiswa mampu memahami dan menjelaskan tujuan dan manfaat screening
3 Mahasiswa mampu memahami dan menjelaskan macam-macam screening
Pengertian screening tujuan manfaat dan macam-macam screening
1 1 ERDINURSKMMKES
VII 1 Mahasiswa mampu memahami dan menjelaskan bentuk
2
Pelaksanaan screening
1 1 1 ERDINURSKMMKES
Ujian tengah semesterVIII 1 Mahasiswa mampu
memahami dan menjelaskan teori simpul
Teori simpul Darwel SKM MEpid
Ujian tengah semesterIX 1 Mahasiswa mampu
memahami dan menjelaskan Rate
2 Mahasiswa mampu memahami dan melakukkan proses pengolahan data kasus
3 Mahasiswa mampu memahami
Standarisasi 1 1 Darwel SKM MEpid
memahami dan melakukan proses analisis
4 Mahasiswa mampu memahami dan melakukan proses penyajian data
5 Mahasiswa mampu memahami dan melakukan proses pendataan
6 Mahasiswa mampu memahami dan melakukan proses feedback
X 1 Mahasiswa mampu mengoperasikan epidata
Penggunaan epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XI 1 Mahasiswa mampu mengoperasikan epidata
Epidata Lanjutan
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XII 1 Mahasiswa mampu mengoperasikan epidata
Fasilitas check pada epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIII 1 Mahasiswa mampu mengoperasikan epidata dalam mengeksport data ke SPSS
Export Epidata ke SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO
SKM Si amp Darwel SKM MEpid
XV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XVI 1 Mahasiswa mampu memahami dan melakukan pengolahan data ANOVA pada SPSS
Mengoperasikan SPSS dengan uji anova dan chi square
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
UJIAN AKHIR SEMESTER8 5 2 3
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
memahami dan melakukan proses analisis
4 Mahasiswa mampu memahami dan melakukan proses penyajian data
5 Mahasiswa mampu memahami dan melakukan proses pendataan
6 Mahasiswa mampu memahami dan melakukan proses feedback
X 1 Mahasiswa mampu mengoperasikan epidata
Penggunaan epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XI 1 Mahasiswa mampu mengoperasikan epidata
Epidata Lanjutan
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XII 1 Mahasiswa mampu mengoperasikan epidata
Fasilitas check pada epidata
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIII 1 Mahasiswa mampu mengoperasikan epidata dalam mengeksport data ke SPSS
Export Epidata ke SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XIV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO
SKM Si amp Darwel SKM MEpid
XV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XVI 1 Mahasiswa mampu memahami dan melakukan pengolahan data ANOVA pada SPSS
Mengoperasikan SPSS dengan uji anova dan chi square
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
UJIAN AKHIR SEMESTER8 5 2 3
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
SKM Si amp Darwel SKM MEpid
XV 1 Mahasiswa mampu mengoperasikan SPSS
Mengoperasikan di SPSS
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
XVI 1 Mahasiswa mampu memahami dan melakukan pengolahan data ANOVA pada SPSS
Mengoperasikan SPSS dengan uji anova dan chi square
MUCHSIN RIVIWANTO SKM Si amp Darwel SKM MEpid
UJIAN AKHIR SEMESTER8 5 2 3
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
RESUME EPIDEMIOLOGI
Pertemuan ke I
Haritanggal Senin 2 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Pengantar Epidemiologi
Epidemiologi adalah untuk mengetahui frekuensi dan penyebaran
suatu masalah kesehatan dimasyarakatEpidemi menyangkut tentang
wabah penyakit penyakit menularEpidemiologi dapat diartikan sebagai
studi tentang penyebaran penyakit pada manusia didalam konteks
lingkungannya
Epi berarti pada atau atas domos berarti masyarakat atau penduduk
logos berarti ilmuEpidemiologi adalah ilmu yang mempelajari distribusi
frekuensi dan determinan suatu penyakit atau masalah kesehatan pada
masyarakat
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Distribusi penyebaran manusia yang terserang penyakit menurut sex
umur dan tempat
Frekuensi besarnya masalah kesehtana pada masyarakat
Determinan faktor resiko yang mempengaruhi timbulnya penyakitmasalah
kesehatan
Pengertian Epidemiologi berdasarkan pendapat para ahli
Menurut Greenwood
Ilmu yang mempelajari penyakit dan segala macam kejadian yang
mengenai kelompok (hard) penduduk
Brain Mac Mahon
Is the study of the distribution and determinants of disease frequency
in man
Mausnel dan Kramer (1985)
Studi tentang distribusi dan determinan dari penyakit dan kecelakaan
pada populasi manusia
Last (1988)
Studi tntang distribusi dan determinan tentang keadaan atau suatu
kejadian yang berkaitan dengan kesehatan pada populasi tertentu
Batasan Epidemiologi
A Mencakup semua penyakit ( penyakit menular dan tidak menular)
B Populasi masyarakat
C Pendekatan ekologi ( lingkungan fisik biologis dan social)
Beberapa Istilah yang berhubungan dengan epidemiologi
Epidemiwabah KLB peningkatan kasus 2kali atau lebih
Pandemi Epidemi lintas Negarabenua
Endemik Penyakit yang selalu ada disuatusetiap area
tertentu
Sporadis Kasus penyakit yang frekuensinnya berubah-ubah
Common source epidemic yang timbul dari sumber yang sama
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Sejarah dan tokoh epidemiologi
Perkembangan epidemiologi tidak terlepas dari berbagai hal berikut
a Tantangan zaman
Perubahan masalah dan perubahan pola penyakit
b Perkembangan ilmu pengetahuan lainnya (statistika administrasi ilmu
perilaku)
c Epidemiologi adalah studi tentang distribusi dan faktor utama penyakit
dalam populasi
Yang menjadi perhatian terbatas pada penyakit infeksi berkembang
kepenyakit tidak menular penyakit vaskuler arthritis dll
Tokoh-tokoh epidemiologi
A Generasi pertama
1 Hippocrates ( 460-377 SM)
- Epidemiologi yang pertama
- Hubungan penyakit dengan faktor lingkungan
- Memperkenalkan istilah epidemic dan endemic
2 Galen ( 129-199)
- Mengelaborasi (menggali) teori Hippocrates dan berpendapat
bahwa cara hidup dan kondisi cairan tubuh diduga
berhubungan dengan penyakit
3 Thomas Sydenham (1624-1689)
- Menghubungkan penyakit melalui kontak dengan penduduk
4 Noah Webster ( 1758-1843)
- Wabah berkaitan dengan faktor lingkungan tertentu
B Konsep lsquo Contagion lsquo X lsquo Germ lsquo
1) Fracastorius ( 1478-1553)
- Penyakit ditularkan ke orang lain melalui partikel kecil yang
tidak dapat dilihat
2) Igmatz Semmelweir (1818-1865)
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Demam child-bad fever dapat dikurangi jika dari mencuci
tangannya
3) Edward Jenner ( 1770)
- Berjasa dalam penemuan vaksin cacar
4) Louis Pasteur (1885)
- Mendemonstrasikan imunisasi rabies yang efektif
C Kelahiran Statistik Kehidupan
1 John Graundt ( 1662)
- Pertama kali mengkualifikasi pada penyakit penduduk
- Menekankan pentingnya penggumpulan data
2 William Farr ( 1880)
- Bapak statistic kehidupan dan survey lens modern
- Mengembangkan konsep population at risk
- Metode pemilihan group pembanding
D Studi Epidemiologi Klasik
1 John Snow
- Bapak epidemiologi lapangan
- Menyusun postulat bahwa kolera ditularkan melalui air yang
tercemar
- Metode investigasinya merupakan landasan langkah invest
wabah
2 PLPanum
- Studi epidemiologi klasik tentang campak
E Epidemiologi Modern
1 Doll dan Hill
- Hubungan merokok dengan kanker paru
2 Framinghart Heart study
- Kohor penyakit kardiovaskuler
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Macam-macam Epidemiologi
a Epidemiologi Deskriptif
- Mempelajari tentang frekuensi distribusi penyakit atau
masalah kesehatan masyarakat saja tanpa mencarikan
jawaban terhadap faktor-faktor yang mempengaruhi
- Hanya menjawab faktor-faktor WHO where when
- Misal untuk mengetahui frekuensi penderita TB paru
b Epidemiologi Analitik
- Menganalisis faktor-faktor determinan masalah kesehatan
- Menjawab faktor mengapa(why) apa penyabab terjadi nya
masalah kesehatan
missal untuk mengetahui pengaruh rokok terhadap
timbulnya penyakit kanker paru dlakukakn perbandingan
perokok dengan tidak merokok
Peranan epidemiologi
1 Idetifikasi faktor resiko ( penyakitmasalah kesehatan)
2 Informasi Data (perencanaan dan keputusan)
3 Evaluasi program (sedang atau telah berjalan)
4 Kembangkan metodologi ( untuk mengatasi masalah kesehatan)
5 Mengarahkan intervensi (penanggulangan masalah ksehatan)
Manfaatkegunaan Epidemiologi
Membantu pekerjaan admkesehatan (P1 P2 P3)
Menerangkan penyebab masalah kesehatan
Menerangkan perkembangan alamiah suatu penyakit (gejala sakit
akibat)
Menerangkan keadaan suatu masalah kesehatan
Menentukan klasifikasi penyakit (menulartidak menular)
P1 = Perencanaan
P2 = Penggerakan pelaksanan
P3 = Pengawasan pengendalian pemberdayaan
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Tujuan Epidemiologi
1 Mendeskripsikan distribusi kecenderungan dan riwayat alamiah
penyakit
2 Menjelaskan etiologi penyakit
3 Meramalkan kejadian penyakit
Penyakit adalah salah satu ganguan kehidupan manusia yang dikenal
orang sejak dulu Mulanya orang mendasarkan penyebabnya adanya
gangguan makhluk haluskutukan Penyakit adalah suatu keadaan dimana
proses kehidupan tidak lagi teraturterganggu perjalanannya Penyakit bukan
hanya berupa kelainan akan tetapi juga suatu keadaan terganggu dari
keteraturan fungsi-fungsi dalam tubuh
Penyakit sifat objectif
Rasa sakit sifat subjectif
Batasan Tentang Penyakit
Penyakit adalah kegagalan dari mekanisme adaptasi suatu organism
untuk bereaksi secara tepat terhadap rangsangantekanan sehingga timbul
gangguan pada fungsistruktur tubuh ( Gold Medical Dictionary)
Dapat disimpulkan bahwa penyakit bahwa penyakit adalah suatu
keadaan dimana terdapat gaangguan terhadap bentuk dan fungsi tubuh
sehingga berada dalam keadaan yang tidak normal
Konsep Dasar Epidemiologi penyakit
Timbul penyakit akibat terjadinya gangguan keseimbangan antara
- Host ( pejamu tuan rumah) adalah semua faktor yang
terdapat pada manusia yang dapat mempengaruhi timbulnya
suatu penyakit
- Agent ( bibit penyakit ) terdiri atas golongan nutrisi kimiawi
fisik biologi
- Environtment ( lingkungan ) seperti kondisi fisik
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke II
Haritanggal Senin 9 september 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Konsep Model Epidemiologi
Karakteristik model
- Host ( umur sex pendidikan pekerjaan dll)
- Agent ( bakteri parasit virus keturunan )
- Environment ( fisik biologis sosio-ekonomi )
Karakteristik Host
a Resistensi = Kemampuan untuk bertahan terhadap suatu infeksi
b Imunitas = kesanggupan host untuk mengembangkan suatu respon
imunologis (alamiah)
c Infectiousness = potensi host yang terinfeksi untuk menularkan
penyakit pada orang lain
Karakteristik Agent
a Invektivitas = derajat penularan (kemampuan untuk menginfeksi
dan adaptasi terhadap penjamu
b Patogenitas = kemampuan untuk menimbulkan reaksi jaringan
terhadap penjamu
c Virulensi = derajat berat ringan reaksi dari agent
d Toksisitas = kesanggupan agent mengkasilkan racun
e Invasitas = kemampuan melakukan penetrasi dan menyebar
setelah memasuki jaringan
Karakteristik Lingkungan
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
a Topografi = situasi lokasi tertentu mempengaruhi terjadinya dan
penyebaran pennyakit
b Geografis = struktur geologi
Pertemuan ke III
Haritanggal Kamis 19 September 2013
Nama dosen Magzaiben Zainir SKM MKes
Materi Variabel Epidemiologi
Variabel Epidemiologi
1 Variable (WHO) orang
Karakteristik individu dengan faktor resikonya sepertiumur sex
ras status dll
- Umur
Beberapa penyakit tertentu hanya menyerang golongan umur
tertentu saja seperti campak polio yang banyak ditemukan
pada anak-anak
- Sex
Penyakit yang hanya ditemukan pada sex tertentuseperti
tumor prostat leher rahim
- Ras
Beberapa penyakit tertentu diduga sering diderita oleh ras
tertentuseperti penyakit hemofili pada orang barat
- Status perkawinan
Gejala mempunyai resiko kecelakaan yang tinggi daripada
yang telah berkeluarga
- Pekerjaan
Manager sering menderita penyakit ketegangan jiwa daripada
bawahan
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Misal Kasus afian Influensa ( flu burung )
Berapa orang yang sakit
Berapa orang yang sudah terkena
Dari yang terkena berapa laki-lakiperempuan usianya dan jenis
pekerjaannya
Apakah manusia juga tertular atau hanya unggas saja
Apakah ungggas local saja atau migrasi
2 Variabel Placetempat (where)
Perbedaan distribusi penyakit dipengaruhi
- Faktor geografis (letak wilayah)
- Penduduk (kepadatan herd immunity perilaku ras gizi)
- Faktor lain (pelayanan kesehatan tranportasi)
Menurut tempat ada 5 macam wilayah
Daerah
Beberapa wilayah
Negara
Regional
Banyak Negara
Manfaat variabel tempat
- Perencanaan penanggulangan
- Petunjuk etiologi dan cara penularannya
3 Variabel waktu (time)
a Variasi jangka pendek
Sporadis ndash endemis ndash endemi ndash pandemic
b Variasi berkala
- Suatu saat ( penyebaran penyakit diukur pada saat tertentu
KLB )
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Siklus ( perubahan skala yan terjadi dengan interval gt 1
tahun)
- Seculan trend ( perubahan dalam dasawarsa)
Manfaat variable waktu
- Memprediksi puncak indens
- Merencanakan penanggulannya
- Melakukan evaluasi dampak penanggulangan yang sudah
dikerjakan
Tujuan Variabel Epidemiologi untuk melakukan upaya pencegahan
Hubungan dalam menimbulkan penyakit
- Menimbulkan penyakit amat kompleks
- Saling mempengaruhi
- Timbulnya penyakit majemuk bukan tunggal ( multiple
causaction of disease )
Perjalanan penyakit
- Perjalanan secara alamiah
- Riwayat alamiah penyakit ( natural history f disease )
Terdapat 3 tahap perjalanan penyakit
- Pre pathogenesis = interaksi diluar tubuh
- Patogenesis = interaksi dalam tubuh inkubasi penyakit dini
dan lanjut
- Pasca pathogenesis = perjalanan akhir penyakit
Kekebalan
Ada 2 macam kekebalan
a Alamiah
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Aktif tubuh membuat antibody sendiri akibat suatu penyakit
- Pasif tubuh tidak membuat antibody sendiri bayi mendapat
anti body dari ibu ( ASI imunisasi ibu pada bayi plasenta )
b Didapat
- Aktif = imunisasi ( campak polio BCG TBC DPT )
- Pasif = dipteri pertusis tetanus
Konsep pencegahan hinderi keterpaparan dan menurunkan kerentanan
Five level of prevention ( leavell and clarck )
1 Health promotion ( pre pathogenesis )
2 Specifik protection (pre pathogenesis )
3 Early diagnosis and prompt treatment ( pathogenesis )
4 Disability limitation penghambatan penyakit agar penyakit tidak
menjadi parah
5 Rehabilitation ( parca patogenensis )
Tingkat pencegahan penyakit
1 Primordial prevention untuk menghindari pola hidup yang mendorong
peningkatan resiko
2 Primary prevention health promotion specific protection
3 Secondary prevention early diagnosis
4 Tertiary prevention rehabilitation
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke IV
Haritanggal Senin 30 September 2013
Nama dosen Erdi Nur SKM MKes
Darwel SKM MEpid
Materi Ukuran Frequensi Epidemiologi
UKURAN EPIDEMIOLOGI
1 Ukuran frekuensi
2 Ukuran asosiasi
3 Ukuran dampak
UKURAN FREKUENSI
Mengukur satu kjejadian (penyakit kesakitankematiankelahoran)
Dasar epidemiologi Deskriptif ldquomenggambarkanrdquo
A RATE
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Rate merupakan besarnya peristiwa yang terjadi terhadap jumlah
keseluruhan penduduk dimana peristiwa tersebut berlangsung dalam
batas waktu itu
aa+b
x k
k = konstanta
a = frekuensi jumlah kejadian
a+b = jumlah terpapar resiko
a Kematian
CDR (angka kematian kasar)
jumlah kematiandalam1 tahunjumlah penduduk 1 juli
x k
ASDR (angka kematian menurut golongan umur)
jumlahkematian yangdicatat selama1 tahun padagolonganumur xjumlah penduduk padagolongaumur x pada pertengahan tahun yangsama
x k
IMR (angka kematian bayi)
jumlah kematianbayilt1 tahunJumlah lahir hidup pada thun yang sama
x k
CFR (drajat keganasan suatu penyakit)
jumlah kematianakibat suatu penyakitJumlahkasus penyakit yang sama
x K
b Kesakitan
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
INSIDENSI
-Data tentang jumlah penderita baru
-Jumlah penduduk yang mungkin terkena penyakit baru
Incident rate
Incidence rate adalah frekuensi penyakit baru yang berjangkit
dalam masyarakat di suatu tempat wilayah negara pada
waktu tertentu
jumlah penyakit baruJumlah populasiberesiko
x K
Attack rate
Attack Rate adalah jumlah kasus baru penyakit dalam waktu
wabah yang berjangkit dalam masyarakat di suatu tempat
wilayah negara pada waktu tertentu
jumlah penderitabaruJumlah populasiberesiko
x K
Secondary attack rate
Jumlah penderita baru suatu penyakit yang terjangkit pada
serangan kedua dibandingkan dengan jumlah penduduk
dikurangi penduduk yang pernah terjangkit pada serangan 1
Digunakan untuk menghitung suatu penyakit menular dan dalam
suatu populasi yang kecil (dalam satu keluarga)
jumlah penderita baru pada serangan keduaJumlah penduduk yangberesikominuspernah serangan pertama
x K
PREVALENCE RATE
Prevalence rate adalah frekuensi penyakit lama dan baru yang
berjangkit dalam masyarakat di suatu tempat wilayah negara
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
pada waktu tertentu
PR yang ditentukan pada waktu tertentu (misal pada Juli 2000)
disebut Point Prevalence Rate
PR yang ditentukan pada periode tertentu (misal 1 Januari 2000
sd 31 Desember 2000) disebut Periode Prevalence Rate
jumlah semuakasus saat tertentuJumlahkasus
x K
Pertemuan ke V
Haritanggal Senin 7 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Ukuran Frequensi Epidemiologi
B RATIO
Rasio adalah nilai relatif yang dihasilkan dari perbandingan dua nilai
kuantittif yang pembilangnya tidak merupakan bagian dari penyebut
Contoh
Kejadian Luar Biasa(KLB) diare sebanyak 30 orang di suatu daerah 10
diantaranya adalah jenis kelamn pria Maka rasio pria terhadap wanita
adalah R=1020 = frac12
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
C PROPORSI
Proporsi adalah perbandingan dua nilai kuantitatif yang pembilangnya
merupakan bagian dari penyebut
Penyebaran proporsi adalah suatu penyebaran persentasi yang
meliputi proporsi dari jumlah peristiwa-peristiwa dalam kelompok data
yang mengenai masing-masing kategori atau subkelompok dari
kelompok itu
Pada contoh di atas proporsi pria terhadap permapuan adalah
P= 1030=13
JENIS - JENIS IMUNISASI
5 jenis imunisasi yang wajib
BCG atau Bacillus Cellmete Guerin Yaitu vaksinasi yang diberikan
pada bayi saat usia 0-2 bulan fungsi dari vaksinini adalah untuk
menghindari penyakit TBC alias Tuberkolosis
POLIO adalah sejenis penyakit yang disebabkan oleh virus poliovirus
dari genus enterovirus dan menyebabkan terjadinya kelumpuhan
Cara mencegah penyakit ini adalah sering cuci tangan bila selesai
beraktivitas dan juga sebelum makan Pada bayii munisasi polio
diberikansaatlahir usia 2 bulan 4 bulandan 6 bulan
DPT atauDipteriPentusis Tetanus adalah sejenis penyakit yang
bersumber dari bakteri bernama Corynebacterium Diphterie yang
hidup dalam selaput lender hidung pada saluran pernapasandan
membentuk membrane putih sehingga menyumbat pernapasan
Pemberian vaksin untuk menghindari DPT ini pada bayi saatusia 2
bulan 4 bulandan 6 bulan
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
HEPATITIS B vaksinasi hepatitis B ditujukan untuk menghindari
penyakit radang hati akut atau kerusakan pada hati dan juga kanker
hati Vaksin ini diberikan pada bayi saat usia baru lahir 1 bulan dan 6
bulan
CAMPAK adalah sejenis penyakit yang disebabkan oleh virus yang
biasanya hidup pada saluran pernapasan
UPAYA PENCEGAHAN PENYAKIT
3 faktor yang mempengaruhi a penyebab penyakit
b manusia sebagai host
c lingkungan hidup
usaha untuk mengendalikan 3 faktor tersebut
a Terhadap factor penyebab penyakit
Memberantas sumber penularan penyakit
Mencegah terjadinya kecelakaan
Meningkatkan taraf hidup rakyat
Mencegah terjadinya penyakit keturunan disebabkan factor
endogen
b Faktor manusia
Mempertinggi daya tahan tubuh manusia dan meningkatkan
pengetahuan masyarakat dalam bidang kesehatan
Ex imunisasi menjaga kebersihan diri makanan sehat olahraga dan
hidup teratur
c Faktor lingkungan
Mengubah atau mempengaruhi lingkungan hidup sehingga dapat
diawasinya factor yang merugikan membahayakan kesehatan
manusia (Indan Entjang 1991)
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Ex menjaga kebersihan lingkungan menghindari lingkungan
yang menjadi endemic suatu penyakit
Contoh kasus
1 Pengumpulan data dilakukan pada bulan januari-desember 2011
diperoleh data Kasus A terjadi pada bulan desember 2010 -
februari 2011
Kasus B februari 2011 ndash maret 2011
Kasus C maret 2011 ndash desember
2011
Tanya yang termasuk kasus insiden
Jawab insiden = kasus B dan C (berada dalam rentang waktu)
Prevalensi = ABdan C
2 Penyakit TBC disebabkan oleh keterpaparan bakteri tubercolosa dan
status gizi yang buruk nserta kondisi rumah yang tidak memenuhi
syarat
Teori apa yang mendukung dari kasus diatas
a Contagion theory
b Multi caural teory
c Miasmatic theory
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke VI
Haritanggal Kamis 10 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Screening
SCREENING
Screening atau penyaringan kasus adalah cara untuk mengidentifikasi
penyakit yang belum tampak melalui suatu tes atau pemeriksaan atau
prosedur lain yang dapat dengan cepat memisahkan antara orang yang
mungkin menderita penyakit dengan orang yang mungkin tidak menderita
Tujuan dari sceening
1 Deteksi dini penyakit
2 Mencegah distribusi penyakit
3 Morbiditas amp mortalitas turun
4 Mendidik masyarakat
5 Informasi petugas
6 Klinis dan penelitian
Manfaat dari screening
Efisiensi
Informasi cepat
Fleksibel dalam pelaksanaa
Mudah dan sederhana
Hasil uji akurat
Bentuk pelaksanaan screening
1 Seri
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Screening dilakukan 2x dimana test yang dilakukan sama dan
hasilnya pun sama tapi pada waktu yang berbeda Hasilnya
positif (sakit)
2 Parallel
Screening dilakukan 2x dengan test yang berbeda pada waktu
yang bersamaan dengan hasil salah satu testnya positif (sakit)
Macam ndash macam screening
Mass screening (penyaringan missal)
Penyaringan pada seluruh penduduk
Multiple screening (penyaringan multiple)
Penyaringan untuk kemungkinan adanya beberapa penyakit
pada individu saat bersamaan
Selectif screening (penyaringan yang ditargetkan)
Penyaringan dilakukan terhadap kelompok tertentu (spesifik)
Single disease screening (penyaringan oportunistik)
Penyaringa ditujukan pada suatu jenis penyakit (yang
berkonsultasi)
Kriteria pelaksanaan screening
1 Sifat penyakit
Serius ldquomengancam kesehatan masyarakatrdquo
Prevalensi tinggi pada tahap praklinik
Riwayat alamiah diketahui
Periode yang panjang diantara tanda ndash tanda pertama
sampai timbulnya penyakit (masa inkubasi)
2 Uji diagnostic
a Reliable Hasil pemeriksaan pelatif sama
b Validitas
Sensitifitas kemampuan screening me
3 Diagnosis dan pengobatan
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Fasilitas adekwat ldquotersedia segera obat-obatan dan fasilitasrdquo
Efektif dan dapat diterima efektif = waktu efisien = biaya
Kebijakan
Pertemuan ke VII
Haritanggal Senin 21 Oktober 2013
Nama dosen Erdi Nur SKM MKes
Materi Lanjutan Screening
VALIDITAS
Validitas adalah kemampuan dari tes penyaringan untuk memisahkan
mereka yang betul-betul menderita terhadap mereka yang betul-betul sehat
atau dengan kata lain besarnya kemungkinan untuk menempatkan setiap
individu pada keadaan yang sebenarnya
Untuk mengetahui Validitasnya maka digunakan indeks antara lain
a) Sensitivitas
Sensitivitas (sensitivity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil tes positif dan benar sakit
Sensitivitas = aa+c
b) Spesifisitas
Spesifisitas (specificity) kemampuan suatu tes untuk mengidentifikasi
individu dengan tepat dengan hasil negatif dan benar tidak sakit
Spesivisitas = db+d
c) Positive Predictive Value (Ppv)
Persentase pasien yang menderita sakit dengan hasil test Positive
PPV = aa+b
d) Negative Predictive Value (Npv)
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Persentase pasien yang tidak menderita sakit dengan hasil test
negative
NPV = dc+d
Nilai perkiraan kecermatan
1 Nilai Kecermatan (+) (Positive accuracy) Proporsi jumlah yang sakit
thd semua hasil tes (+)
Rumus y = a a+b
2 Nilai Kecermatan (-) (Negative accuracy) Proporsi jumlah yang tdk
sakit thd semua
hasil tes (-)
Rumus z = d c+d
Selain nilai kecermatan dpt juga dihitung nilai komlemennya yaitu
1 False positive rate Jumlah hasil tes (+) semua dibagi dgn jumlah
seluruh hsl tes (+)
Rumus b a + b atau 1 ndash y
2 False negative rate Jumlah hasil tes (-) semua dibagi dgn jumlah
seluruh hsl tes (-)
Rumus c c + d atau 1 ndash z
Contoh
Ditemukan 50 orang (+) menderita amp 100 tdk menderita dari hasil
tes trdpt 45 org (+) benar 10 org (+) semu 5 org (-) semu dan 90
org (-) benar
Hasil tes Keadaan penderita Jumlah
sakit Tdk sakit
+ 45 10 55
- 5 90 95
Jumah 50 100 150
Sensitifitas hasil tes 4550 = 90
Spesifitas hasil tes 90100 = 90
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Nilai kecermatan (+) 4555 = 82
False positif rate 1055 = 18 (100-82 = 18)
False negatif rate 595 = 5 (100-95 = 5)
Pertemuan ke VIII
Haritanggal Senin 11 November 2013
Nama dosen Darwel SKM MEpid
Materi Standarisasi
STANDARDISASI
Rate
bull Rate mengukur frekwensi suatu kejadian
bull Terdiri dari
bull Numerator
bull Denominator
bull Waktu
bull Numerator menunjukkan jumlah kejadian selama periode waktu
tertentu
bull Denominator menunjukkan jumlah populasi dimana kejadian terjadi
bull Waktu menunjukkan periode waktu kejadian terjadi
Kalkulasi dari Rate
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Number of occurence of event in specifief time
Rate = ------------------------------------------------------------------- x Konstanta
Average or mid-interval population
Data surveilens sering
- Hanya memberi informasi tentang data numerator saja
- Dalam bentuk angka kasar
Angka kasar
- Hanya menggambarkan jumlah kejadian
- Tidak memperhatikan
bull Jumlah populasi dari mana kejadian terjadi
bull Distribusi karakteristik demografis di populasidari mana
kejadian terjadi
Rate memberi informasi yang lebih lengkap
Karena mengandung informasi tetang
- Jumlah kejadian
- Jumlah populasi dari mana kejadian terjadi
- Periode waktu kejadian terjadi
Rate memberi kondisi yang komperabel
Dapat untuk membandingkan frekwensi kejadiansecara lebih
komperabel
- Frekwensi kejadian penyakit di populasi dariwaktu ke waktu
- Frekwensi kejadian penyakit diantara satu populasidengan
populasi lain
- Frekwensi kejadian penyakit diantara sub populasi
Kegunaan Rate Dalam Epidemiologi
bull Menghitung rate kejadian merupakan suatu hal yangpaling penting
dalam peneilitian epidemiologi
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
bull Dengan menghitung rate informasi tadi dapat digunakan untuk
bull Memformulasikan dan membuktikan hipotesis
bull Mengidentifikasikan faktor risiko dan penyebab
bull Membandingkan secara komperabel frekwensi kejadian diantara
populasi
Crude Specific and Standardized Rates
Rate dapat dihitung dari
bull Seluruh populasi atau
bull Subpopulasi yang ada di populasi besar
Crude rate
bull Dihitung dari seluruh populasi
bull Contoh crude death rate
bull Numerator = jumlah seluruh kematian selama
interval waktu tertentu
bull Denominator = jumlah populasi rata-rata selama
interval waktu yang sama
Specific rate
bull Dihitung dari subpopulasi
bull Contoh age specific death rate
bull Numerator jumlah kematian pada kelompok
usia tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
usia tertentu selama interval waktu yang sama
bull Contoh lain
bull Sex specific death rate
bull Numerator jumlah kematian pada kelompok sex
tertentu selama interval waktu tertentu
bull Denominator jumlah populasi rata-rata kelompok
sex tertentu selama interval waktu yang sama
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Standardized Rate
bull Jika crude rate dibandingkan diantara populasi atauuntuk
populasi yang sama pada waktu yang berbeda
bull Maka perbadingan rate tadi tidak komperabel jika
- Distribusi frekwensi faktor-faktor yang mempengaruhi
kejadian kematian tidak miripsama diantara populasi yang
dibandingkan
- Faktor-faktor yang dapat mempengaruhi kejadian
kematian antara lain
bull Umur
bull Ras
bull Sex
bull Status sosial ekonomi
bull Faktor risiko lainnya
Agar perbandingan rate diantara populasi dapat komperabel maka
crude rate harus distandarisasi dengan faktor- faktor konfounding
tadi
Metode standarisasi
bull Direct standardizationstandarisasi langsung
bull Indirect standardizationstandarisasi t langsung
Metode Standarisasi Langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan dikontrol
(misal umur sex dll) pada populasi studi
bull Specific rate tadi diaplikasikan pada populasi standard berdasarkan
variabel yang akan dikontrol (umur sex dll)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
bull Apa yang akan terjadi dengan crude rate pada populasi studi jika
distribusi dari variabel yang dikontrol (misal umur sex) sama dengan
populasi standar
bull Data yang harus tersedia
bull Specific rate berdasarkan variabel yang akan dikontrolpada
populasi studi untukpopulasi studi
bull Distribusi variabel yang dikontrol pada populasi standard
Contoh crude death rate dari 2 Country A dan B 1980
Crude death rate
Population Death (per1000 population)
County A1706097 16859 99
County B 73268511531 157
bull CDR A = 16859 1706097 = 99
bull CDR B = 11531 732685 = 157
Contoh Age Specific Death Rata pada County A dan B 1980
County A County B
Age Group Rate Rate
(years) Population Deaths 1000 pop Population Deaths
1000 pop
0-4 97870 383 39 31005 101 33
5-14 221452 75 03 77991 20 03
15-24 284956 440 15 95456 80 08
25-34 265885 529 20 90435 129 14
35-44 207564 538 26 65519 168 26
45-54 193505 1107 57 69572 460 66
55-64 175579 2164 123 98132 1198 122
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
65-74 152172 3789 249 114689 2746 239
gt75 107114 7834 731 89889 6629 737
Totals 1706097 16859 99 732689 11531
157
- (0-4) Rate1000 pop = (383 97870) x 1000 = 39
- dsthellip
bull Contoh standarisasi langsung death rate pada daerah A dan B populasi
standard adalah populasi penduduk AS tahun 1980
Expected death in 1980
US Population Using
Age-specific Death Rate County Age-Specific
(per 1000 pop) Death Rate
Age Group 1980 US pop
(years) () County A County B County A County B
0-4 72 39 33 28 24
5-14 153 03 03 5 5
15-24 187 15 08 28 15
25-34 165 20 14 33 23
35-44 114 26 26 30 30
45-54 100 57 66 57 66
55-64 96 123 122 118 117
65-74 69 249 239 172 165
gt75 44 731 737 322 324
totals 1000 99 157 793 769
Directly adjusted death rate1000 pop 79 77
Pop x ASDR = Exp Death
(0-4) 72 x 39 = 28 (Country A) amp 72 x 33 = 24 (Country B) dst
Directly Adjusted DR1000 pop = 793100 = 793amp 769100 = 77
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Metode standarisasi tidak langsung
bull Cara kalkulasi
bull Menggunakan specific rate berdasarkan variabel yang akan
dikontrol (misal umur sex dll) pada standard populasi
bull Standard spesific rate tadi diaplikasikan pd populasi studi
berdasarkan variabel yang akan dikontrol (umur sex
konfounder lain)
bull Standarisasi ini menggambarkan
bull Apa yang akan terjadi dengan crude rate pd populasistudi jika
distribusi dari specific rate nya sama dengan populasi standard
bull Data yang harus tersedia
bull Distribusi variabel yang akan dikontrol (misal umu sex dll) pada
populasi studi
bull Distribusi spesific rate berdasarkan variabel yang dikontrol pada
populasi
standard
bull Crude rate pada populasi studi
bull Crude rate pada populasi standard
Contoh standarisasi tidak langsung death rate di Country A dan B populasi
standard adalah populasi AS tahun 1980
Expected Number of
Death in County
Based on US
Age Death rates 1980 Population Specific Death Rate
group 1000 pop
(years) US 1980 County A County B County A County B
0-4 33 97870 31005
323 102
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
5-14 03 221452 77991
66 23
15-24 12 284956 95456
342 115
25-34 13 265885 90435
346 118
35-44 23 207564 65519
477 151
45-54 59 193505 69572
1142 420
55-64 134 175579 98132
2353 1315
65-74 298 152172 114686
4535 3418
gt75 872 1071141 89889 9340 7838
88 1706097 732685
18924 13490
Expected death rate1000 pop 111 184
Adjusting Factor 88111= 079 88184=
048
CDR pop 99 157
Adjusted Death rate = CDR x Adjusting Factor 78 (99x 079) 75
(157 x 048)
Exp Death = (Pop A x DR) 1000
(0-4) = (33 x 97870) 1000 = 323 amp (33 x 31005) 1000 = 102
dst
Exp D R = 18924 x 1000 = 111
1706097
Exp DR = 13490 x 1000 = 184
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
732655
Standard Mortality Ratio
Indirect adjusted mortality rate in study population
SMR = -----------------------------------------------------------------------------
Crude Mortality Rate for the standar population
Vital stat for Zimbabwe
I Age Deaths Zimb Pop Rate
1 0 ndash 4 1899204
2 5 ndash 24 5537992
3 24 ndash 44 2386079
4 45 ndash 64 974235
5 65 ndash 74 216387
6 75+ 136109
Total 98808 11150006 000886
The CDR in Zimbabwe (1990s) 886 per 100000
Illustrative Example
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Vital stat for the US
Vital stat for the US
Vital stat for the US
I Age Deaths US Pop Rate
1 0 ndash 4 44000 19204000
2 5 ndash 24 45000 72244000
3 24 ndash 44 147700 82197000
4 45 ndash 64 368800 46751000
5 65 ndash 74 478600 18280000
6 75+ 1084900 13484000
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Total 2169000 252160000 000860
The CDR in Zimbabwe (1990s) 886 per 100000
The CDR in the US 860 per 100000
Indirect adjustment of Zimbabwe rate
I Age US Rate
Ri
Zimb Pop
ni
Product
Ri times ni
1 0 ndash 4 00229 1899204 4349
2 5 ndash 24 00062 5537992 3434
3 24 ndash 44 00180 2386079 4295
4 45 ndash 64 00789 974235 7687
5 65 ndash 74 02618 216387 5665
6 75+ 08046 136109 10951
Rini= 36381
SMR = Tot pop Zinbproduct
Zimbabwe SMR
bull Observed 98808 deaths in Zimbabwe
bull Expected 36381 (based on US rate)
bull SMR = 98808 36381 = 272
SMR= Aμ=98 808
36 381=2 72
μ=sum R ini=36 381
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
bull Interpretation Zimbabwe mortality rate is 272 times that of US after
adjusting for age
Kegunaan dari Data Standarisasi
bull Identifikasi kondisi Epidemik
bull Identifikasi Sindrom Baru
bull Memonitor Trend
bull Mengevaluasi Kebijakan Publik
bull Memproyeksikan kebutuhan di masa depan
Pertemuan ke IX
Haritanggal Senin 18 November 2013
Nama dosen Darwel SKM MEpid
Materi Epidemiologi Kesehatan
Ilmu kesehatan lingkungan adalah ilmu tentang berbagai masalah
kesehatan sebagai akibat dari hubungan interaktif antara berbagai bahan
kekuatan zat yang memiliki potensi sebagai penyebab sakit (agent) yang
timbul akibat adanya perubahan-perubahan lingkungan dengan masyarakat
serta menerapkan upaya pencegahan gangguan kesehatan yang
ditimbulkannya
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Studi tentang faktor-faktor lingkungan yang mempengaruhi timbulnya
penyakit dengan cara mempelajari dan mengukur dinamika hubungan
interaktif antara penduduk dengan lingkungan yang memiliki potensi bahaya
pada suatu waktu dan kawasan tertentu untuk upaya promotif
(Achmadi 1991)
Environmental epidemiology may be defined as the study of
environmental factors that influence the distribution and determinants of
diseases in human population (Cordis 1994)
Faktor lingkungan lebih ditonjolkan
Kawasan
- Lingkungan kerja
- Lingkungan pemukiman
- Tempat-tempat umum dan transportasi
- Wilayah habitat manusia daerah aliran sungai daerah
pantai daerah pegunungan
Agent yang berpotensi bahaya penyakit dapat dikelompokkan sbb
- Golongan fisik kebisingan radiasi cuaca panas dll
- Golongan kimia pestisida asap rokok limbah pabrik
- Golongan biologi spora jamur bakteri cacing dll
- Golongan sosial hubungan antar tetangga antara bawahan
atasan dll
POKOK-POKOK STUDI EPIDEMIOLOGI LINGKUNGAN
1 Paradigma Kesehatan Lingkungan
2 Dinamika Bahan Toksik
3 Parameter Kesehatan Lingkungan
4 Kemampuan Mengidentifikasi Population at Risk
5 Standard Normalitas
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
6 Desain Studi
7 Analisis Pemajanan
1 Paradigma Kesehatan Lingkungan
- Paradigmakonsepmodel kesehatan lingkungan
menggambarkan hubungan interaktif antara berbagai
komponen lingkungan dengan dinamika perilaku penduduk
- Merupakan dasar bagi analisis kejadian sehat sakit dalam
suatu kawasan
PARADIGMA KESEHATAN VS LINGKUNGAN
2 Dinamika Perjalanan Bahan Toksik
- Mempelajari dinamika atau kinetika perjalanan suatu bahan
toksik dan atau faktor penyebab penyakit (fisik kimia
mikroba) yg berada dalam ldquovehiclerdquo transmisi hingga kontak
dengan manusia atau penduduk
- Pemahaman kinetika agent akan menentukan teknik
mengukur atau analisis pemajanan
Contoh
Pb udaraairtanahmakanan tubuh manusia
SumberPerubahan
-Pembangunan-Alami
-Udara-Air-Makanan-Manusia-Vektor
MASYARAKAT(Budaya Perilaku Gizi dll)
SEHAT
SAKIT
WAHANATRANSMISI PENYAKIT
UPAYA PROGRAM KESEHATANNON KESEHATAN
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Melalui wahana Udara AirMakanan Tanah Binatang
SUMBER AMBIENT MANUSIA DAMPAK
-Alamiah-Penderitapenyakitinfeksi-Industri-Mobil
Komponenlingkunganberada dlmdarah lemakurine dll
Sehat Samar Subklinik Akut
A B C D
3 Parameter Kesehatan Lingkungan
- Pemahaman terhadap berbagai parameter kesehatan
lingkungan
- Bagaimana mengukur berbagai parameter perubahan
lingkungan
TEORI SIMPUL
DINAMIKA KESEHATAN LINGKUNGAN(TEORI SIMPUL)
Pengukuran parameter kesehatan lingkungan
- Pada simpul A pengukuran pada sumbernya (pengukuran
emisi)
- Pada simpul B pengukuran komponen penyebab sakit pada
ambient
- Pada simpul C pengukuran pada spesimen tubuh manusia
(biomarker atau bioindikator)
- Pada simpul D sudah terjadi outcome berupa kejadian
penyakit misal jumlah penderita keracunan
4 Kemampuan Mengidentifikasi Population At Risk
Mengidentifikasi
- Populasi mana yang terkena dampak
- Besardosis
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Lama waktudurasi pemaparan oleh agent
- Cara
Population at risk tidak selalu dalam satu kawasan
Contoh Konsumsi ikan yg tercemar logam berat
Penetapan population at risk pada dasarnya
- Ditentukan oleh pola kinetika agent dalam media transmisi
Menentukan lokasi pengukuran analisis pemajanan
5 Standar Normalitas
- Setiap pengukuran baik pada simpul A B C maupun D harus
selalu dirujuk terhadap nilai-nilai standar normal sebagai bahan
referensi
- Misal Permenkes tentang air bersih baku mutu lingkungan nilai
ambang batas maximum acceptable concentration dll
6 Desain Studi
Studi epidemiologi lingkungan
- Studi investigasi mencari penyebab KLB
- Studi dalam keadaan endemik surveillance epidemiologi
- Contoh monitoring kasus penyakit akibat pencemaran
lingkungan sampel ikan
- Dapat bersifat deskripsi pada tiap simpul
- Studi epidemiologi lingkungan
a Observasional prospektif dan retrospektif
b Eksperimental di laboratorium atau lapangan
7 Analisis Pemajanan
- Pemajanan menggambarkan jumlah komponen lingkungan yang
memiliki potensi dampak (agent) yang diterima atau kontak
dengan tubuh dan menimbulkan dampak
- Pengukuran pemajanan sedapat mungkin menggambarkan dosis
atau jumlah yg diterima oleh tubuh manusia
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Dalam exposure assessment perlu diperhatikan
a Jenis agent
b Sifat agent
c Jumlah
d Waktu
e Tempat
f Intervening variables ndash dalam exposure assessment
g Pengertian impurities (kemurnian)
A JENIS AGENT
- Kelompok Mikroba
- Kelompok Bahan Kimia
- Kelompok Fisik
B SIFAT AGENT PENYAKIT
- Media interaksi atau kontak dg tubuh manusia air tanah
udara atau makanan
- Apakah medianya lebih dari satu
- Apakah dlm media transmisi agent penyakit berubah sifat
- Cross contamination
C JUMLAH
- Exposure (perkiraan jml kontak) dan dosis
- Ada 5 perkiraan jumlah kontak yaitu
a Perkiraan jml pemajanan eksternal secara umum
konsentrasi agent dlm media tertentu
Contoh Kadar CO SO2 dan Pb di udara
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
b Perkiraan jml pemajanan internal sederhana (intake)
Konsentrasi bahan dlm media dan perkiraan jml
kontakContoh Makan berapa kghari dlm tiap kg brp
kandungan bahan berbahaya
c Perkiraan uptake
- Jml yg diabsorpsi oleh tubuh
- Udara Uptake = Ci ndash Ce x volume x t
Ci = konsentrasi inhaled
Ce = konsentrasi exhaled
t = timewaktudurasi
d Perkiraan pemajanan pada target organ
- Dilakukan di laboratorium
- Misal metode neutron activation analysis
e Perkiraan perilaku pemajanan (behavioural exposure)
- Dilakukan dgn memasang ldquoalat penangkaprdquo
parameter bahan yg hendak ditangkap dari
lingkungan
- Contoh pemasangan film badge pada pekerja yg
terpajan radioaktif
D WAKTU
- Berapa lama individumasyarakat terpajan
- Tiap hari Berapa jam perhari Bertahun-tahun
E TEMPAT
- Lingkungan pemukiman
- Lingkungan kerja
- Lingkungan tempat umum
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
- Regional
- Global
F INTERVENING VARIABLES
- Kemungkinan sumber perubahan lingkungan atau sumber
potensi dampak (agent) lain selain yg kita pelajari
Contoh pengamatan COHb CO bisa berasal dari kendaraan
bermotor asap rokok dll
- Perlu diperhatikan
1 satu sumber satu bahan pencemar jarang ada
2 Satu sumber banyak bahan pencemar misal rokok
3 Banyak sumber satu bahan misalnya gas CO
4 Banyak sumber banyak bahan paling banyak misalnya
pencemaran udara atau pencemaran sungai
G PENGERTIAN IMPURITIES
- Bahaya yg selalu diperhitungkan hanya terhadap active
ingridient
- Seharusnya bahan campurannya ikut diperhatikan
- Contoh pestisida ada bahan aktif stabilizer pewarna
pengharum
PENILAIAN DAMPAK KESEHATAN
- Merupakan pemantauan dan pengukuran simpul C dan D
- Pada dasarnya community based
- Pengukuran dampak pada manusia terdiri dari
1 Pengukuran behavioural exposure (simpul C)
ldquoAlat penangkaprdquo menilai jumlah kontakexposure
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
2 Pengukuran bioindikator (simpul C)
Pemantauan biologik adalah pengukuran dan penilaian
tentang bahan tertentu atau hasil metabolismenya dalam
jaringan sekresi ekskresi pernafasan atau gabungan dari
itu untuk mengevaluasi pemajanan dan risiko kesehatan
dengan membandingkannya dengan nilai ambang yang
tepat
Memperkirakan berapa absorpsi bahan pencemar dalam tubuh
Mengukur dosis internal estimasi potensi penyakit dan
gangguan faali
Syarat pemantauan biologik
- Bahan yg diteliti atau metabolitnya tdp dlm jaringan
- Ada metode analisis yg sahih
- Ada nilai ambang yang berlaku
- Metode atau cara yg digunakan dapat diterima
-
3 Pengukuranidentifikasi kasuspenderita (simpul D)
Penentuan apakah seseorang merupakan kasus (korban)
yang terkena dampak health effect
Dengan mengumpulkan gejala patognomonis
Vonis dokter ahli atau non dokter yg memiliki instrumen
terstandarisir
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke X
Haritanggal Senin 25 November 2013
Nama dosen Darwel SKM MEpid
Materi Pengenalan Epi-Data
MENU UTAMA EPI DATA
Menu Utama Epi-Data yang sering digunakan adalah
1 Define Data
2 Make Data File
3 Checks
4 Enter Data
5 Documents dan
6 Export Data
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Sama persis dengan EPI-Info Urutan langkah-langkah yang dilakukan untuk
membuat
program Entry Data dimulai dari (tidak boleh dibolak balik)
1Define Data berfungsi Untuk membuat TEMPLATE yang berisi
struktur data dari kuesioner yang akan dimasukkan ke komputer Seperti
program pengolah kata lainnya kita dapat mengetik seperti biasanya di
Wordstar WordPerfect atau MsWord namun filenya akan disimpan
sebagai TEXTFile (txt) Pada pembuatan template filenya otomatis akan
tersimpan dengan extensi QES (nama fileQES)
2 Make File Data berfungsi untuk menyiapkan file REC dari TEMPLATE
yang sudah ada Jika template belum ada maka Make Data File tidak bias
dijalankan File REC hasil Make Data File nantinya akan berfungsi sebagai
tempat menyimpan database yang dientry melalui Epidata Make Data File
perlu dijalankan setiap melakukan perubahan terhadap TEMPLATE
sebelum memilih ENTER DATA atau sebelum CHECK Apabila Make Data
File dijalankan pada file yang sudah berisi data (sudah dientry) maka
database yang ada dalam file REC tersebut akan terhapus untuk
menghindarinya kita harus memilih prosedur REVICE Data File dari Menu
TOOLS
3 Checks berfungsi untuk membuat alur lompatan dan batasan nilai
minimalmdashmaksimal yang boleh masuk Check hanya bisa dijalankan
setelah dibuat TEMPLATE dan MAKE DATA FILE
4 Enter data berfungsi untuk memasukkan data ke komputer Sebaiknya
dijalankan setelah dibuat program CHECK dengan lengkap Jika anda
belum yakin dengan kelengkapan CHECK jangan pilih ENTER Data
Karena jika terjadi perubahan pada nama fieldvariabel maka database
yang sudah anda entry akan hilang
5 Document berfungsi untuk 1) membuat Codebook 2) Validate
data file yg
sudah dientry 3) dan lain-lain
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
6 Export berfungsi untuk mentransfer data dari format REC ke
format
dBase atau lainnya
Pertemuan ke XI
Haritanggal Senin 2 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
Contoh TEMPLATE
Survei Cepat Pemeriksaan Kehamilan di Kabupaten Tangerang 2004
Nomor klaster
Nomor responden
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Nama responden ltA_________________gt
Tgl1 wawancara ltddmmyyyygt
Tgl2 lahir balita ltddmmyyyygt
1 Berapa umur ibu sekarang V01 tahun
2 Apa pendidikan tertinggi ibu V02
1 Tidak sekolah 4 Tamat SLTPsederajat
2 Tidak tamat SD 5 Tamat SLTAsederajat
3 Tamat SD 6 Akademiperguruan tinggi
3 Apakah ibu bekerja V03
1 Ya sebutkan jenis pekerjaannya V03a __________________
2 Tidak
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
5 Berapa kali ibu melakukan pemeriksaan kehamilan TM1 V05a
kali
TM2 V05b kali
TM3 V05c kali
6 Pemeriksaantindakan apa saja yg didapat pada waktu
memeriksakan kehamilan
a Penimbangan 1 Ya 2 Tidak V06a
b Imunisasi TT 1 Ya 2 Tidak V06b
c Pemeriksaan perut 1 Ya 2 Tidak V06c
d Pemeriksaan tek Darah 1 Ya 2 Tidak V06d
e Pemberian tablet Fe 1 Ya 2 Tidak V06e
7 Siapa yang pertama kali menolong ibu bersalin V07
1 Keluargatetanggateman 5 Bidanbidan di desa
2 Dukun 6 Dokter
3 Kader 7 Lain-lain sebutkan V07a
______________
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
4 Perawat 8 Tidak tahuTidak jawab
8 Apa jenis kelamin bayi ibu yang terakhir V08
1 Laki-laki
2 Perempuan
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
3 Tidak tahuTidak jawab -- selesai
10 Berapa berat bayi waktu lahir ----- gram V10
Contoh
Setelah selesai pembuatan template jangan lupa untuk menyimpannya
dengan cara mengklik gambar disket atau pilih File kemudian Save
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pada kota File Name Tulis nama file misalnya KIA Kemudian klik SAVE
Secara otomatis Epi data akan memberi extensi QES pada file template
Perhatikan di Kiri Atas akan berubah dari EPI DATA 30 (Untitled) menjadi
EPI DATA 30 (KIAqes)
Setelah selesai pembuatan TEMPLATE Langkah selanjutnya adalah memilih
menu nomor
2 Make Data File yang bertujuan untuk membuat file yang berextensi REC
dari file QES FileREC berguna untuk tempat menyimpan database dan
sebagai acuan dalam pembuatan
3Checks dan
4 Enter Data
Klik menu nomor 2 Make Data File maka akan muncul menu sbb
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Cari file KIAQES Biasanya secara otomatis pada box ldquoEnter nama of QES
filerdquo akan muncul KIAQES Jika tidak muncul anda harus mencari file
KIAQES (dimana anda menyimpannya) Kemudian pada kotak ldquoEnter nama of
QES filerdquo akan muncul KIAREC pilih OK
Tulis deskripsi tentang isi data file KIA tersebut Miaslnya
ldquoSurvei Ibu Hamil di Tanggerang 2004rdquo (Jika anda tidak mau menuilis
deskripsinya kosongkan saja) Kemudian klik OK
Epi Data memberitahukan bahwa file CKIAREC telah dibuat kemudian klik
OK Langkah selanjutnya anda bisa memilih menu nomor 4 Enter Data
Proses memasukkan sudah bisa anda lakukan namun tidak dianjurkan untuk
memasukkan data sebelum membuat program CHECK (menu nomor 3
Checks) terlebih dahulu
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke XII
Haritanggal Senin 9 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epi-Data Lanjutan
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
CHECK
Syarat membuat file check adalah membuat file check pada data yang masih
kosong (sebelum data dientry) Bila file data sudah diisidientry sebelum
dibuat file check maka fungsi file check hanya berlaku untuk pemasukan
data berikutnya setelah file check dibuat
Menu utama CHECK berisikan fungsi-fungsi berikut
Berisikan semua variabel yang telah dibuat pada TEMPLATE dengan tanda
kurung kurawal Langkah pertama pada CHECK adalah memastikan
apakah ada variabel yang aneh atau tidak jika ada yang aneh maka harus
diperbaiki terlebih dahulu Jangan membuat program CHECK apa bila ada
variabel yang aneh atau tidak anda kenal
Contoh variabel yang anehsalah
Cara memperbaiki variabel Close program CHECK kemudian aktifkan [1
Define Data] buka fileQES perbaiki TEMPLATE kemudian aktifkan [2Make
Data File] jawab Yes untuk menimpa file yang sudah ada sebelumnya
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
kemudian baru aktifkan kembali [3 Check] Perintah 1 2 3 selalu berurutan
tidak boleh diloncati dari 1 langsung ke 3
Contoh variabel yang betul
Range
Range berfungsi untuk membuat batasan nilai yang boleh masuk Misalnya
JENIS KELAMIN 1 Pria 2 Wanita yang boleh masuk hanya angka 1 dan 2
saja maka pada kotak Range ditulis Jika ada kode untuk data hilang
(missing) misalnya 9 maka pada Range ditambahkan Legal angka 9
sehingga penulisannya menjadi Range Legal
Jump
Jump berfungsi untuk memudahkan dalam proses entry data misalnya jika
ada pengisian yang dilompati Contoh pertanyaan no 3 jika tidak bekerja
atau data hilang maka V3a tdk perlu diisi atau dilompati langsung ke V04
3 Apakah ibu bekerja V03
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
1 Ya sebutkan [v03a _____________________
2 Tidak
9 Data hilang (missing)
4 Pada kehamilan yang terakhir apakah ibu melakukan pemeriksaan
kehamilan V04
1 Ya
2 Tidak --- lanjutkan ke pertanyaan nomor 7
Pada V03 checknya dibuat
Range Legal 1-29
Jump 2gtV049gtv04
Pada V04 checknya dibuat
Range Legal 1-2
Jump 2gtV07
9 Setelah lahir apakah bayi ditimbang V09
1 Ya
2 Tidak -- selesai
9 Tidak tahuTidak jawab ndash selesai
Jika jawabnya 2 atau 9 maka simpan dan pindah ke record berikutnya Pada
V09 checknya dibuat
Range Legal 1-2 9
Jump 2gtWRITE 9gtWRITE
ENTER DATA
Program Enter Data berfungsi untuk memasukkan data (enter data) ke
komputer Jangan melakukan enter data sebelum anda membuat program
CHECK dengan lengkap Menu Enter data sangat sederhana dan mudah
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
dioperasikan dan memiliki tampilan yang lebih baik dibandingkan dengan
EPI Info Walaupun databasenya tetap berbasiskan EPI Info yaitu fileREC
Gambar berikut adalah jendela tampilan Enter Data Pada awal
pemasukan data perhatikan kontrol menu di kiri bawah akan terlihat
New0 ini berarti record yang dientry belum ada (nol) dan form yang
terlihat adalah form baru (New) Apabila anda selesai memasukkan data
maka Epidata akan menanyakan apakah file tersebuat akan disimpan atau
tidak Jika anda jawab Yes maka file akan tersimpan dan angka 0 akan
berubah menjadi angka 1 dan begitulah seterusnya
Apabila anda ingin berpindah record
1 Pindah ke record sebelumnya maka anda dapat mengklik tanda
panah ke kiri
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
2 jika ingin pindah ke record selanjutnya dapat mengklik tanda
panah ke kanan
3 Ingin ke record tertentu Pilih menu Goto kemudian tulis nomor
record yang anda tuju (misalnya record ke 51) kemudian tekan
enter
4 Menu Goto menjelaskan cara berpindah ke record tertentu
dengan detail
Apabila ada penambahan variabel padahal anda sudah memasukkan
banyak data (misalny 50 record) maka penambahan variabel dapat saja
dilakukan dengan menambahkannya di program
1 Devine data
2 kemudian jangan pilih Make data file (karena data yg 50 record
akan di delete) tetapi pilihlah menu Toolls
3 kemudian pilih Revice Data File
4 Baru Checks untuk membuat program CHECK dan selanjutnya
dapat anda masukkan datanya di program 4 Enter Data
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke XIII
Haritanggal Senin 16 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Program Epidata Lanjutaan
EXSPORT DATA
File data dalam format Epi-Data (ekstensi REC) dapat diekspor ke format
lain misalnya dBase SAS Lotus Excel dan format data lainnya Langkah-
langkah melakukan ekspor data dari format Epi-Data ke format lainnya
adalah sebagai berikut
1 Buka program Epi-Data
2 Pilih 6 EXPORT DATA
3 Pilih programformat yang diinginkan misalnya dBase III Pada menu
berikut
pilih (open) nama fileREC yang akan diexport
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
4 Pilih nama fileREC yang akan diexport misalnya KIAREC Kemudian klik
OPEN
sehingga muncul menu berikut
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
5 Pilih OK dan proses EXPORT dilaporkan sbb
6 Epidata melaporkan bahwa rdquo 30 Record Exportedrdquo artinya 30 record atau
responden telah diexport dari KIAREC ke KIADBF Pilih OK dan proses
Export Selesai
IMPORT DATA PADA SPSS
1 MEMULAI SPSS
Pertamakali anda harus memastikan bahwa komputer anda sudah diinstall
program SPSS for
Windows Sama seperti program Windows lainnya untuk mengaktifkan
SPSS dimulai dari
menu Start
Klik Start 1048774 Program 1048774 SPSS for Windows 1048774 SPSS 100 for
Windows
Pada menu SPSS tertentu (versi 10x) akan muncul jendela sebagai
berikut
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Silakan klik () Type in data kemudian tekan Enter atau klik OK
Layar akan terbuka ldquoUntitled - SPSS Data Editorrdquo seperti pada
gambar berikut Selanjutnya disebut sebagai Jendela Data Editor
Karena belum ada data maka tampilannya masih kosong
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Perhatikan di kiri bawah ada dua Jendela yaitu (1) Data View dan (2)
Variabel View
IMPORT (OPEN) file Epidata
Data yang disimpan di komputer atau di
Hardisk silakan buka dengan SPSS sebagai berikut
a Pastikan anda berada di layar ldquoSPSS Data Editorrdquo
kemudian pilihlah menu File Open
b Pada File of type pilihlah dBase (dbf)
c Pada Look in pilihlah FloppyA jika data anda ada di
Disket
d Secara otomatis akan muncul list file yang berekstensi
DBF klik file yang ingin dibuka misalnya file KIA
kemudian klik Open
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
e Maka data KIADBF akan muncul di ldquoUntitled ndash SPSS Data
Editor rdquoLaporan dari proses konversi data dari dBase
tersebut akan dimunculkan di ldquoOutputndash SPSS Viewerrdquo Sbb
Datanya sendiri akan muncul di Data View sbb
f Agar data tersebut tersimpan dalam bentuk file SPSS
(SAV) maka anda harus menyimpannya dengan cara
mengklik gambar disket di kiri atas atau pilih menu File1048774
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Save Isi kotak File dengan nama yang anda inginkan
misalnya ldquoKIArdquo Klik Saveuntuk menjalankan prosedur
penyimpanan
Setelah klik save pastikan kiri atas layar monitor anda yang sebelumnya
muncul ldquoUntitled ndash
SPSS Data Editorrdquo telah berubah menjadi ldquoKIA ndash SPSS Data Editorrdquo
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Pertemuan ke XIV
Haritanggal Senin 23 Desember 2013
Nama dosen Muchsin Riviwanto SKM MKes
Materi Analisis Data pada SPSS
UJI BEDA 2-RATA-RATA
1 Uji Beda 2 rata-Rata Independen
Kelompok independen artinya ada dua kelompok sampelpopulasi yang
tidak saling berkaitan antara satu dengan lainnya Misalnya membandingkan
kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu
perokok dengan ibu-ibu bukan perokok atau
membandingkan antara ibu yang memeriksa kehamilan dengan yang tidak
memriksakan kehamilan
Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi
yang lahir dari ibu
yang memeriksa kehamilan dengan yang tidak memriksakan kehamilan Kita
akan melakukan
uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu
yang periksa hamil
dengan rata-rata berat bayi yang lahir dari ibu yang tidak periksa hamil
dengan langkahlangkah
sebagai berikut
a Pastikan file KIASAV telah dibuka sehingga data tampak di Data
editor window
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
b Dari menu utama pilihlah
Analize lt
Compare Mean lt
Independent-Samples T-testhellip
c Pilih variabel Berat bayi lahir (v10) dengan cara mengklik variable
tersebut Kemudian klik tanda gt untuk memasukkannya ke dalam
kotak Test variable(s)
d Pilih variabel Periksa hamil (v04) dan masukkan ke dalam kotak
Grouping variable
e Kemudian klik menu Define group dan isi angka 1 (satu) -kode untuk
periksa- pada Group-1 dan isi angka 2 (dua) -kode untuk tidak periksa-
pada Group-2 Kemudian pilih Continue
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
f Klik OK untuk menjalankan prosedur
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil dan
mereka mempunyai rata-rata berat bayi sebesar 284259 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi yang lebih rendah beratnya
yakni rata-rata 257500 gram
Independent Samples Test
Levenes Test for Equality
of Variances
t-test for Equality of Means
F Sig t Df Sig (2-
tailed)
Mean
Differen
ce
Berat
bayi
lahir
Equal
varianc
es
assume
d
2743 103 4367 64 000 26759
Equal
varianc
es
not
assume
d
5551 22950 000 26759
Uji-t independen menyajikan dua buah uji statistik Pertama adalah uji
Levenersquos untuk
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
melihat apakah ada perbedaan varians antara kedua kelompok atau tidak
Kedua adalah uji-t
untuk melihat apakah ada perbedaan rata-rata kedua kelompok atau tidak
Jika p-value (Sig) dari uji Levenersquos besar dari nilai α (005) hal ini
berarti varians kedua kelompok adalah sama maka signifikansi uji-t yang
dibaca adalah pada baris pertama (Equal variances assumed) Tetapi jika p-
value dari uji Levenersquos kecil atau sama dengan nilai α
(005) hal ini berarti bahwa varians kedua kelompok adalah tidak sama
maka signifikansi uji-t
yang dibaca adalah pada baris kedua (Equal variances not assumed)
Pada contoh diatas signifikansi uji Levenersquos adalah 0103 berarti
varians kedua kelompok adalah sama maka hasil uji-t pada baris pertama
memperlihatkan p-value (sig) adalah 0000 untuk uji 2-sisi (Jika uji yang
kita lakukan adalah uji 1-sisi maka nilai p-value harus dikalikan 2 sehingga
menjadi 0000) Dapat kita simpulkan bahwa secara statistik rata-rata berat
bayi yang lahir dari populasi ibu yang tidak periksa hamil lebih rendah
daripada populasi ibu yang periksa hamil (nilai-p=0000)
PENYAJIAN HASIL UJI-T INDEPENDEN
Tabel hellip Distribusi nilai rata-rata berat bayi yang dilahirkan oleh ibu yang
periksa
hamil dibandingkan dengan ibu yang tidak periksa hamil
Variable N Mean SD T (t-
test)
p-value
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Ibu periksa
hamil
Ya 54 2842 2015 4367 0000
Tidak 12 2575 1373
Hasil tersebut memperlihatkan bahwa ada 54 ibu yang periksa hamil
dan mereka mempunyai rata-rata berat bayi sebesar 2482 gram Sedangkan
12 ibu yang tidak periksa hamil melahirkan bayi dengan berat yang lebih
rendah yakni rata-rata 2575 gram Dari hasil uji statistik dapat kita
simpulkan bahwa terdapat perbedaan yang bermakna antara berat bayi dari
populasi ibu periksa hamil dibandingkan dengan ibu yang tidak periksa hamil
(nilai-p = 0000) atau Secara statistik rata-rata berat bayi yang lahir dari
populasi ibu yang tidak periksa hamil lebih rendah dari populasi ibu periksa
hamil (p-value = 0000)
aUJI ANOVA (BEDA gt 2 RATA-RATA)
Uji-Anova digunakan untuk melihat perbedaan rata-rata dari dua atau
lebih kelompok
independen (data yang tidak saling berkaitan antara satu dengan lainnya)
Misalnya membandingkan pengaruh dari 3 jenis intervensi atau
membandingkan rata-rata berat bayi
menurut status pendidikan ibu (rendah sedang tinggi) Pada contoh analisis
ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu
yang berpendidikan Tidak sekolah Tidak tamat SD Tamat SD Tamat SMP
Tamat SMA dan AkademiPT Kita akan melakukan uji hipotesis apakah ada
perbedaan rata-rata berat bayi yang lahir dari ibu dari jenis pendidikan yang
berbeda dengan langkah-langkah sebagai berikut
1 Pastikan file KIASAV sudah dibuka tampak pada jendela Data editor
2 Dari menu utama pilihlah
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Analyze lt
Compare Means lt
One-way ANOVA
3 Klik variabel Berat bayi lahir (v10) dan klik tanda gt untuk
memasukkannnya ke kotak
Dependent List
4 Klik variabel pendidikan (v02) dan klik tanda gt untuk memasukkannnya
kotak Factor
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
5 Pada menu Options klik Deskriptive dan Homegeneity of varians
6 Klik Continue dan Klik OK untuk menjalankan prosedur Hasilnya tampak
di output
seperti berikut
DESCRIPTIVE
Berat bayi lahir
N Mean Std Deviasi
Std
Error
tidak sekolah 4 24125 4787 2394
SD tidak tamat 8
27687
5 2588 915
tamat SD
1
6
29062
5 14127 3532
tamat SMP
2
6
27884
6 19355 3796
tamat SMA 8
30000
0 9258 3273
tamat D3PT 4
24000
0 4082 2041
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Total
6
6
27939
4 21706 2673
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Standar deviasi dan
Standar error nilai minimum-maximun dan interval 95 tingkat
kepercayaan juga diperlihatkan (namun tidak dimunculkan di lembar ini)
Test ofHhomogeneity of Variances
Berat bayi lahir
levene statistic
dl
f df2 sig
6055 5 60 0
Salah satu asumsi dari uji Anova adalah varians masing-masing
kelompok harus sama Untuk itu dilakukan uji homogenitas varians yang
hasilnya memperlihatkan bahwa p-value (sig) lebih kecil dari nilai α=005
berarti varians antar kelompok adalah tidak sama Jika varians tidak sama
uji Anova tidak valid untuk dipakai Seandainya variannya kita asumsikan
sama maka selanjutnya adalah melihat hasil uji anova sbb
ANOVA
Berat bayi lahir
sum of squares
d
f
mean
square F sig
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
between groups 1750099796 5
350019
959
1600
1 0
within group 1312475962
6
0
218745
99
Total 3062575758
6
5
Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda
apakah antara
pendidikan SD dengan SMP SD dengan SMA atau SMP dengan SMA Untuk
menjawab
pertanyaan ini kita harus melakukan uji banding ganda Untuk melakukan uji
banding ganda
kita harus klik menu Post Hochellip pada kotak dialog ANOVA
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Kemudian klik Bonferroni untuk meminta agar uji tersebut dilakukan
oleh komputer Klik Continue Klik OK Hasil output SPSS adalah sama
dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut
(output tidak diperlihatkan semua)
Pada hasil di atas terlihat perbedaan yang ldquobermaknardquo pada α=005
yang ditandai dengan tanda bintang () Pada baris pertama (Tidak sekolah)
berbeda bermakna dengan Tidak tamat SD Tamat SD Tamat SMP dan
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Tamat SMU Namun tidak berbeda bermakna dengan D3PT Begitu
seterusnya
PENYAJIAN HASIL UJI ANOVA
Tabel hellip Rata-rata berat bayi menurut status pendidikan ibu
Pendidikan Ibu N Mean Nilai-f Nilai-p
Tdk sekolah 4 24125 479 16
0000
SD tdk tamat 8 27688 259
Tamat SD 16 29063 1413
Tamat SMP 26 27885 1936
Tamat SMU 8 30000 926
Tamat D3PT 4 24000 408
Total 66 27939 2171
Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan
pendidikan Tidak sekolah adalah 2412 gram pada ibu dengan SD tdk Tamat
= 2738gr Tamat SD=2906gr Tamat SMP = 2788 gr Tamat SMU 3000 gr
dan pada ibu berpendidikan D3PT adalah 2400 gram Hasil uji Anova
memperlihatkan bahwa ada perbedaan yang bermakana pada rata-rata
berat bayi menurut tingkat pendidikan ibu (nilai-p 0000)
Analisis lebih lanjut memperlihatkan bahwa ada perbedaan rata-rata
berat bayi antara ibu berpendidikan Tidak sekolah dengan SD SMP SMU
dan Tidak ada perbedaan rata-rata berat bayi antara ibu berpendidikan Tidak
sekolah dengan D3PT Dan seterusnyahellip
b UJI BEDA PROPROSI (χ2) CHI-SQUARE
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Dalam contoh ini kita akan menguji apakah ada hubungan antara periksa
hamil dengan penolong persalinan (nakes vs bukan nakes) Agar
memudahkan dalam penyajian datanya kita akan membuat tabel silang
(crosstab) dari file KIASAV
1 Pastikan file KIASAV sudah dibuka data tampak di jendela Data Editor
2 Dari menu utama pilihlah
Analyze lt
Descriptif statistic lt
Crosstabshellip
3 Pilih variabel Periksa kehamilan (v04) kemudian klik tanda gt untuk
memasukkannya ke kotak Row(s)
4 Pilih variabel Penolong Persalinan (v07) kemudian klik tanda gt untuk
memasukkannya ke kotak Colom(s)
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
5 Pada menu ldquoStatisticsrdquo pilih Chi-Square dengan mengklik kotak
disampingnya hingga muncul tanda ldquoradicrdquo Jika anda klik sekali lagi
maka tanda ldquoradicrdquo akan hilang Kemudian Klik Continue
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
6 Klik menu ldquoCellsrdquo kemudian aktifkan Observed pada menu Count
dan aktifkan Rows pada menu Percentages hingga muncul tanda
ldquoradicrdquo Kemudian Klik Continue
7 Klik OK untuk menjalankan prosedur Pada layar tampak hasil seperti
berikut
Periksa kehamilan (ANC) Penolong persalinan Crosstabulation
Penolong persalinan
Keluar
ga
Duku
n
Peraw
at
Bidan Total
Periksa
kehamil
an
(ANC)
Ya Count 4 22 8 32 66
within
Periksa
kehamil
an
(ANC)
61 333 121 485 1000
Tidak Count 20 4 24
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
within
Periksa
kehamil
an
(ANC)
833 167 1000
Total Count 4 42 8 36 90
within
Periksa
kehamil
an
(ANC)
44 467 89 400 1000
Ibu yang periksa hamil cenderung bersalin dengan tenaga kesehatan
Bidan sedangkan ibu yang tidak periksa hamil cenderung bersalin ke Dukun
Dari tabel silang tersebut terlihat bahwa dari 66 ibu-ibu periksa hamil ada
32 orang (485) persalinannya ditolong oleh Bidan Dari 24 ibuibu yang
tidak periksa hamil hanya ada 4 orang (167) yang persalinannya ditolong
oleh Bidan
Untuk menguji apakah hubungan tersebut bermakna secara statistik
maka kita harus melihat hasil uji chi-square sebagai berikut
Chi-Square Tests
Value df Asymp Sig
(2-sided)
Pearson Chi- 18247a 3 000
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Square
Continuity
Correction
Likelihood Ratio 21140 3 000
Linear-by-Linear
Association
10114 1 001
N of Valid Cases 90
Nilai-p Pearson dan Likelihood Ratio hampir sama yaitu 0000 Artinya
hubungan antara
periksa hamil dengan penolong persalinan secara statistik sangat bermakna
Namun dalam uji ini chi square tidak valid karena sebanyak 375 sel yang
nilai harapannya (expected count) kurang dari 5 (padahal batasnya tidak
boleh lebih dari 20) hal ini disebabkan oleh adanya sel yang kosong
Supaya tidak ada sel yang kosong maka harus dilakukan penggabungan
kategori misalnya penolong persalinan digabungkan jadi 2 kategori saja
yaitu nakes (Bidan perawat) dan bukan nakes (keluargadukun) Hasilnya
dapat dilihat sbb
Periksa ANC) Penolong Persalinan Crosstabulation
Penoong persalinan
Nakes Non-
nakes
Total
Periksa
ANC)
Ya Count 40 26 66
within
Periksa
ANC)
606 394 1000
Tidak Count 4 20 24
within 167 833
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Periksa
ANC)
1000
Total Count 44 46 90
within
Periksa
ANC)
489 511 1000
Tuliskan Inerpretasi anda hellip Ibu yang periksa ANC cenderung minta
tolong untuk bersalin ke nakes (606) sedangkan ibu yang tidak periksa
ANC hanya 167 yang persalinannya oleh nakes
Chi-Square Tests
Value df Asymp Sig Exact Sig
Exact Sig
(2-sided) (2-sided)
(1-sided)
Pearson Chi-Square 13599b 1 000
Continuity Correctiona 11897 1 001
Likelihood Ratio 14592 1 000
Fishers Exact Test 000
000
Linear-by-Linear Association 13448 1 000
N of Valid Cases 90
a Computed only for a 2x2 table
b 0 cells (0) have expected count less than 5 The minimum expected
count is 1173
Output SPSS menampilkan semua nilai chi-square dari berbagai
macam uji seperti Pearson Chi-square Continuity Correction atau Fisherrsquos
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Exact Test Masing-masing uji tersebut dilengkapi dengan p-value untuk test
2-sisi
Untuk memilih nilai χ2 atau p-value yang paling sesuai kita harus
berpedoman pada asumsi-asumsi yang terkait dengan uji χ2 Antara lain
1 Pada tabel lebih dari 2x2 (misalnya 3x2 atau 3x3) apabila nilai
frekuensi harapan (expected) yang kurang dari 5 tidak lebih dari 20
maka nilai χ2 atau p-value dari Pearson Chi-square atau Likelihood
Ratio dapat kita laporkan
Catt Jika nilai expected yang kurang dari 5 lebih dari 20 atau ada
nilai expected yang kurang dari 10 (karena ada sell yang kosong)
maka hasil uji chi-square tidak valid harus dilakukan pengelompokan
ulang terlebih dahulu
2 Untuk tabel 2 x 2 nilai χ2 atau p-value dari Continuity Correction
dapat kita laporkan Tetapi jika nilai frekuensi harapan kurang dari 5
maka nilai p-value dari Fisherrsquos Exact Test yang harus kita laporkan
3 Fisherrsquos Exact Test adalah nilai-p yang paling exactpasti sehingga
dapat selalu kita laporkan ada atau tidak ada nilai frekuensi harapan
yang kurang dari 5
Dengan menambahkan item RISK pada menu Statistics akan didapat OR
(Odds Ratio)
sebagai berikut
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Risk Estimase
95
Confidence Interval
Value Lower Upper
Odds Ratio for Periksa 7692 2360
25074
ANC) (Ya Tidak)
For cohort Penolong 3636 1456
9084
Persalinan = nakes
For cohort Penolong 473 334
670
Persalinan = non-nakes
N of Valid Cases 90
OR 76 berarti Ibu yang periksa ANC cenderung 76 kali untuk ditolong
persalinannya oleh nakes dibandingkan dengan ibu yang tidak periksa ANC
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes
Penyajian Hasil Uji Beda Proprosi (Chi-Square)
Tabel hellip Distribusi Persalinan Nakes menurut Periksa ANC
Variabel Persalinan Nakes Total OR (95CI) p-value
Ya
n ()
Tidak
n ()
Periksa
ANC
- Ya
- Tidak
40 (606)
4 (167)
26 (394)
20 (833)
66
24
76 (23mdash
250)
10
0000
Hubungan antara Periksa ANC dengan Penolong persalinan terlihat bahwa
ibu yang periksa ANC besar kemungkinan pertolongan persalinannya adalah
nakes Dari 66 ibu periksa ANC sebanyak 606 persalinannya ditolong oleh
nakes Sebaliknya dari 24 ibu yang tidak periksa hamil hanya 167
persalinannya ditolong oleh nakes