Kenali Riset Anda: Menemukan Solusi Statistik Terbaik

Profil Pemateri

Nama: dr. Nurjannah, MPH, PhD.
Afiliasi: Bagian Ilmu Kesehatan Masyarakat / Ilmu Kedokteran Komunitas (IKM/IKK), Fakultas Kedokteran - Universitas Syiah Kuala.
Riwayat Pendidikan dan Karier:
- Staf pengajar Kesehatan Masyarakat di Fakultas Kedokteran Unsyiah, dari tahun $2006$ hingga sekarang.
- MD (Medical Doctor): Fakultas Kedokteran Unsyiah ( $1997$ - $2004$ ).
- MPH (Master of Public Health): University of Sheffield, UK ( $2007$ - $2009$ ).
- PhD: Western Michigan University, USA ( $2014$ - $2018$ ).

Pendahuluan: Mengenali Riset

Tujuan utama adalah untuk mengenali aspek-aspek kunci dari riset guna menemukan solusi statistik yang paling tepat.
Pertanyaan mendasar yang harus dijawab oleh peneliti adalah: "Apa yang harus kita kenali?"

1. Jenis Hipotesis

Klasifikasi Hipotesis:
- Hipotesis Komparatif: Digunakan untuk membandingkan kelompok.
- Hipotesis Korelatif: Digunakan untuk melihat hubungan atau korelasi antar variabel.
Terminologi "Hubungan" (Bahasa Indonesia vs. Inggris):
- Dalam bahasa Indonesia, kata "Hubungan" sering digunakan secara luas.
- Dalam bahasa Inggris, istilahnya lebih spesifik: Association, Comparison, Correlation, Relationship, Causation, dan Connection.
Parameter Pembeda:
- Hipotesis korelatif berfokus pada Parameter $r$ (koefisien korelasi).
- Hipotesis komparatif berfokus pada "Parameter yang lain" (seperti perbedaan rata-rata atau proporsi).
Contoh Penerapan Hipotesis dari Pertanyaan Penelitian:
- Kasus 1: "Apakah terdapat perbedaan terjadinya kanker paru antara perokok dan bukan perokok?"
  - $H_0$ : Tidak terdapat perbedaan terjadinya kanker paru antara perokok dan bukan perokok.
  - Jenis: Hipotesis komparatif.
- Kasus 2: "Seberapa besar hubungan antara tinggi badan dan ukuran sepatu?"
  - $H_0$ : Tidak terdapat hubungan antara tinggi badan dan ukuran sepatu.
  - Jenis: Hipotesis korelatif.
- Kasus 3: "Apakah terdapat hubungan antara kadar gula darah dengan jenis pengobatan yang diterima pasien (glibenklamid dan placebo)?"
  - $H_0$ : Tidak terdapat hubungan antara kadar gula darah dengan jenis pengobatan yang diterima pasien.
  - Jenis: Hipotesis komparatif (karena membandingkan efek antar kelompok pengobatan).

2. Skala Pengukuran Variabel

Definisi Variabel: Berasal dari kata Vary + able (sesuatu yang dapat bervariasi).
Jenis-Jenis Variabel berdasarkan Peran:
- Variabel Dependent: Disebut juga sebagai Outcome, Akibat, atau variabel terikat.
- Variabel Independent: Disebut juga sebagai Predictor, Sebab, atau Faktor Risiko.
- Variabel Confounding: Variabel pengganggu.
Pengelompokan Skala Ukur:
- Skala Kategorik:
  - Nominal: Tingkatan setara (misal: Ya/Tidak, jenis kelamin).
  - Ordinal: Memiliki tingkatan/urutan.
- Skala Numerik:
  - Interval: Memiliki rentang, namun nol tidak mutlak.
  - Ratio: Memiliki nol mutlak.
- Tip Praktis: Fokus pada pembagian Kategorik dan Numerik terlebih dahulu untuk memudahkan pemilihan uji statistik.
Analisis Variabel pada Contoh Kasus:
- Kasus Kanker Paru:
  - Variabel Dependent: Kanker paru (Hasil ukur: Ya dan Tidak) $\rightarrow$ Skala Kategorik.
  - Variabel Independent: Merokok (Hasil ukur: Perokok dan Bukan Perokok) $\rightarrow$ Skala Kategorik.
- Kasus Tinggi Badan dan Sepatu:
  - Variabel Dependent: Ukuran sepatu (Nilai dalam rentang $20$ – $42$ ) $\rightarrow$ Skala Numerik.
  - Variabel Independent: Tinggi badan (Nilai dalam $\text{cm}$ ) $\rightarrow$ Skala Numerik.
- Kasus Kadar Gula Darah (KGD):
  - Variabel Dependent: Kadar gula darah (Nilai dalam $\text{mg/dl}$ ) $\rightarrow$ Skala Numerik.
  - Variabel Independent: Jenis pengobatan (Glibenklamid dan Placebo) $\rightarrow$ Skala Kategorik.

3. Menentukan Pasangan dan Jumlah Kelompok

Konsep Berpasangan vs Tidak Berpasangan:
- Tidak Berpasangan: Data diambil dari subjek yang berbeda di setiap kelompok.
  - Contoh: Membandingkan KGD antara grup glibenklamid dan grup placebo ( $2$ kelompok tidak berpasangan).
- Berpasangan: Data diambil dari subjek yang sama pada waktu berbeda atau kondisi berbeda.
  - Contoh ( $2$ kelompok): KGD sebelum dan sesudah minum obat.
  - Contoh ( $3$ kelompok): KGD sebelum, $1$ jam sesudah, dan $6$ jam sesudah minum obat.

4. Uji Parametrik dan Nonparametrik

Syarat Uji Parametrik:
1. Skala pengukuran variabel harus Numerik.
2. Distribusi data harus Normal.
3. Varians data harus Sama (homogen):
  - Data $2$ kelompok berpasangan: Kesamaan varians bukan syarat.
  - Data $2$ kelompok tidak berpasangan: Kesamaan varians bukan syarat mutlak.
  - Data $> 2$ kelompok tidak berpasangan: Kesamaan varians adalah syarat wajib.
Menilai Normalitas Data:
- Metode Deskriptif: Menggunakan Histogram (melihat Bell Curve) dan Box-plot (melihat simetri, median, $Q_1$ , $Q_3$ , serta outliers).
  - Left-Skewed: Ekor miring ke kiri.
  - Symmetric: Normal/Simetris.
  - Right-Skewed: Ekor miring ke kanan.
- Metode Analitik:
  - Kolmogorov-Smirnoff: Digunakan jika jumlah sampel $n > 50$ .
  - Shapiro-Wilk: Digunakan jika jumlah sampel $n ≤ 50$ .
  - Interpretasi: Data dikatakan berdistribusi normal jika $p\text{-value} > 0.05$ .
Menilai Kesamaan Varians:
- Menggunakan Levene’s test.
- Interpretasi: Jika $p\text{-value} > 0.05$ , maka varians data dianggap sama.

Panduan Pemilihan Uji Statistik (Berdasarkan Bagan Andy Field)

Jika Outcome Variabel Satu (Numerik/Continuous):
- Predictor Kategorik ( $2$ kategori, Subjek Berbeda):
  - Parametrik: Independent t-test.
  - Nonparametrik: Mann-Whitney Test.
- Predictor Kategorik ( $2$ kategori, Subjek Sama):
  - Parametrik: Dependent t-test.
  - Nonparametrik: Wilcoxon Matched-Pairs Test.
- Predictor Kategorik ( $> 2$ kategori, Subjek Berbeda):
  - Parametrik: One Way Independent ANOVA.
  - Nonparametrik: Kruskal-Wallis Test.
- Predictor Kategorik ( $> 2$ kategori, Subjek Sama):
  - Parametrik: One Way Repeated Measures ANOVA.
  - Nonparametrik: Friedman's ANOVA.
- Predictor Numerik/Continuous:
  - Parametrik: Pearson Correlation atau Regression.
  - Nonparametrik: Spearman Correlation atau Kendall's Tau.
Jika Outcome Variabel Satu (Kategorik):
- Predictor Kategorik: Pearson Chi-Square atau Likelihood Ratio.
- Predictor Numerik: Logistic Regression atau Biserial/Point-Biserial Correlation.
Kasus Kompleks (Banyak Predictor/Outcome):
- Predictor Kategorik + Numerik $\rightarrow$ Multiple Regression atau ANCOVA.
- Outcome lebih dari satu $\rightarrow$ MANOVA, Factorial MANOVA, atau MANCOVA.

Aplikasi pada Contoh Kasus

Kanker Paru (Kategorik) vs Merokok (Kategorik):
- Uji yang sesuai: Pearson Chi-Square atau Likelihood Ratio.
Ukuran Sepatu (Numerik) vs Tinggi Badan (Numerik):
- Jika normal: Pearson Correlation.
- Jika tidak normal: Spearman Correlation.
KGD (Numerik) vs Jenis Obat (Kategorik, $2$ kelompok):
- Jika normal: Independent t-test.
- Jika tidak normal: Mann-Whitney Test.