Modul 5: Epidemiologi Analitis

A. Posisi modul dalam struktur capaian pembelajaran

Modul ini merupakan bahan ajar untuk Sub-CPMK-5, yaitu “Mahasiswa mampu menilai kualitas kajian observasional berdasarkan ketepatan pemilihan desain kajian, penyusunan instrumen pengumpulan data, perhitungan asosiasi risiko, dan analisis hubungan kausalitas.”

Penguasaan Sub-CPMK-5 akan membekali mahasiswa dengan kemampuan untuk menginterpretasikan dan merancang kajian epidemiologi analitis. Setelah menyelesaikan modul ini, mahasiswa akan siap untuk mempelajari surveilans penyakit pada Modul 6.

B. Indikator keberhasilan

Keberhasilan pembelajaran pada modul (Sub-CPMK) ini diukur melalui lima indikator.

Kode Uraian indikator
Indikator 5.1 Ketepatan justifikasi desain kajian observasional berdasarkan pertanyaan penelitian dan ketersediaan sumber daya.
Indikator 5.2 Ketepatan justifikasi metode penarikan sampel dan perhitungan jumlah sampel minimum dengan pertimbangan representativitas dan kekuatan statistika.
Indikator 5.3 Ketepatan penilaian validitas instrumen pengumpulan data untuk meminimalkan bias.
Indikator 5.4 Ketepatan pembacaan dan interpretasi hasil uji statistika (nilai p, asosiasi, besar efek, dan selang kepercayaan) sesuai dengan desain kajian.
Indikator 5.5 Kedalaman analisis dan penilaian hubungan sebab-akibat melalui integrasi hasil kajian observasional dan kriteria kausalitas.

C. Bentuk penilaian

Penguasaan Sub-CPMK-5 dinilai dengan dua bentuk.

No Bentuk Metode Proporsi terhadap nilai akhir
1 Non-tes Tugas berbasis masalah 10%
2 Tes Ujian tengah semester 5%

D. Peta konsep

Epidemiologi analitis 
├── Dasar kajian epidemiologi
│   ├── Determinan dan faktor
│   └── Hierarki bukti ilmiah
├── Perancangan kajian observasional 
│   ├── Perumusan pertanyaan penelitian
│   ├── Pemilihan desain kajian
│   ├── Penentuan metode penarikan sampel 
│   ├── Penentuan jumlah sampel 
│   ├── Penentuan instrumen pengukuran 
│   ├── Pencegahan bias dan pengendalian perancu
│   └── Pelaksanaan kajian pendahuluan
├── Analisis statistika
│   ├── Analisis bivariat
│   │   ├── Tabel 2x2
│   │   ├── Uji Chi-square
│   │   ├── Ukuran asosiasi kasar: OR/RR
│   │   └── Ukuran dampak: RD dan AF
│   └── Analisis multivariat 
│       ├── Uji regresi logistik/Poisson
│       └── Ukuran asosiasi yang disesuaikan: adjusted OR/RR
└── Kausalitas
    ├── Model multifaktor
    └── Penyimpulan kausalitas

Gambar 5.1. Peta konsep dalam modul ini.

E. Gambaran umum

Proses penguasaan epidemiologi analitis dimulai dengan memahami pergeseran dari mendeskripsikan penyakit (siapa, di mana, kapan) menjadi pencarian alasan mengapa penyakit tersebut muncul dengan cara melaksanakan kajian observasional. Peneliti kemudian memilih jenis desain kajian, menentukan metode penarikan sampel, dan memastikan instrumen pengumpulan data benar-benar berkualitas untuk menghindari bias. Setelah data diperoleh, analisis statistika dilakukan secara berjenjang, mulai dari analisis bivariat yang sederhana hingga analisis multivariat yang kompleks. Hal ini dilakukan untuk meminimalkan efek variabel perancu yang dapat membuat kita keliru dalam menyimpulkan hasil kajian. Pada tahap akhir, informasi dari hasil uji statistika ini tidak ditelan mentah-mentah. Mereka diperiksa dengan model multifaktor dan kriteria kausalitas untuk memastikan bahwa paparan yang diteliti benar-benar merupakan “penyebab” dari penyakit dan bukan sekadar peristiwa acak yang kebetulan dikonfirmasi oleh perhitungan matematika.

F. Alokasi waktu dan kegiatan belajar

Sub-CPMK-5 dirancang untuk diselesaikan dalam dua kegiatan belajar (dua pekan), yang masing-masing terdiri atas 120 menit kegiatan belajar mandiri, 100 menit kegiatan belajar terbimbing (perkuliahan tatap muka), dan 120 menit menyelesaikan kegiatan penugasan terstruktur.

Pekan Kode Topik
6 Kegiatan belajar 5.1 Interpretasi hasil kajian epidemiologi analitis
7 Kegiatan belajar 5.2 Perancangan kajian epidemiologi analitis

Pada pekan ke-6, mahasiswa akan dipandu untuk bisa memahami dan menginterpretasikan suatu teks yang berisi hasil kajian epidemiologi analitis. Teks ini dapat berupa artikel ilmiah atau laporan kegiatan. Membaca teks ilmiah merupakan aktivitas yang sering dilakukan oleh mahasiswa dan dokter hewan. Harapannya, setelah pekan ke-6, mahasiswa tidak lagi merasa asing dan merasa kesulitan saat menjumpai artikel atau laporan epidemiologi analitis.

Pada pekan ke-7, mahasiswa akan dipandu untuk bisa merancang dan melaksanakan kajian epidemiologi analitis. Ini merupakan aktivitas yang lebih jarang dilakukan. Biasanya, mahasiswa dan dokter hewan hanya melakukan kajian analitis saat melakukan penelitian (misalnya untuk menyusun skripsi) atau saat menindaklanjuti hasil kajian epidemiologi deskriptif.

Kegiatan Belajar 5.1: Interpretasi hasil kajian epidemiologi analitis

I. Pengantar

Setelah kita menuntaskan pembahasan mengenai frekuensi dan distribusi penyakit di Modul 3 dan cara memastikan diagnosisnya di Modul 4, sekarang kita sampai pada pertanyaan yang lebih mendalam.

Bayangkan kita sedang menangani wabah diare pada pedet di sebuah peternakan. Melalui pendekatan deskriptif, kita sudah tahu bahwa ada 20 ekor pedet yang sakit (siapa), kejadiannya di kandang A (di mana), dan puncaknya terjadi pada awal musim hujan (kapan). Data ini sangat berguna, tetapi apakah cukup bagi kita untuk menghentikan wabah tersebut secara permanen?

Tentu saja tidak. Pemilik ternak pasti akan bertanya, “Dok, kenapa pedet saya bisa sakit? Apakah karena pakannya yang berjamur, atau karena kebersihan kandangnya yang buruk?”

Untuk menjawab pertanyaan “mengapa” dan “bagaimana” suatu penyakit bisa terjadi, kita perlu melangkah lebih jauh dari sekadar memetakan situasi. Di sinilah kita mulai menggunakan epidemiologi analitis.

II. Uraian materi

A. Dasar kajian epidemiologi analitis
1. Perbedaan epidemiologi deskriptif dan analitis

Apa sebenarnya hal-hal yang membedakan pendekatan deskriptif dan analitis? Mari ambil investigasi kasus kriminal sebagai analogi. Epidemiologi deskriptif ibarat tugas polisi untuk mendata siapa korbannya, di mana lokasi kejadiannya, dan jam berapa kejahatan itu terjadi.

Dalam pendekatan deskriptif, kita hanya berfokus pada kelompok hewan yang sakit. Kita tidak menggunakan kelompok pembanding. Tujuannya adalah memetakan distribusi penyakit di dalam populasi. Hasil akhirnya adalah sebuah hipotesis atau dugaan sementara. Misalnya, “Kita menduga diare ini berkaitan dengan sumber air yang tercemar.”

Lalu, apa langkah selanjutnya?

Epidemiologi analitis diibaratkan sebagai detektif yang mencari tahu siapa pelakunya dan apa motifnya dengan cara membandingkan berbagai bukti.

Dalam pendekatan analitis, kita mendata hewan yang sakit dan sekaligus hewan yang tidak sakit. Selain itu, kita juga membandingkan kelompok hewan yang terpapar faktor tertentu (misalnya air tercemar) dan kelompok yang tidak terpapar faktor. Dengan membandingkan kelompok-kelompok ini, kita bisa membuktikan secara matematis apakah faktor tersebut benar-benar berhubungan dengan kejadian penyakit atau hanya kebetulan belaka.

Dengan melakukan analisis ini, seorang detektif diharapkan dapat menangkap pelaku agar kasus benar-benar tuntas.

Untuk menyederhanakan dan merangkum konsep ini, mari kita perhatikan perbandingannya pada tabel berikut.

Tabel 5.1. Perbandingan epidemiologi deskriptif dan epidemiologi analitis.

Aspek Epidemiologi deskriptif Epidemiologi analitis
Fokus pertanyaan Who, where, when (siapa, di mana, kapan) Why, how (mengapa, bagaimana)
Tujuan utama Memetakan distribusi dan frekuensi penyakit dalam populasi Mencari determinan atau faktor yang berhubungan dengan penyakit
Analogi dalam investigasi kriminal Mengumpulkan fakta dasar di tempat kejadian perkara Menemukan bukti motif dan cara kerja pelaku
Informasi yang dihasilkan Sebaran dan jumlah hewan yang terdampak Ada/tidaknya hubungan (asosiasi atau kausal) antara faktor dan penyakit

Setelah kita memahami bahwa epidemiologi analitis bertujuan untuk menguji hubungan antara suatu faktor dengan penyakit, muncul pertanyaan baru: Faktor seperti apa yang sebenarnya kita cari? Apakah semua hal yang berkaitan dengan penyakit bisa kita sebut sebagai penyebab? Kita akan membahas hal ini lebih mendalam pada bagian selanjutnya.

2. Determinan dan faktor

Dalam epidemiologi dan ilmu kesehatan masyarakat, ada istilah “determinan kesehatan”. Secara sederhana, determinan kesehatan adalah segala hal yang berperan dalam mengubah status kesehatan suatu populasi. Dalam percakapan sehari-hari, kita sering menyebut determinan ini dengan istilah “faktor”.

Namun, secara ilmiah, kita tidak bisa sembarangan menyebut suatu faktor sebagai “penyebab”. Ada tingkatan kualitas bukti yang harus kita penuhi sebelum kita berani menyimpulkan hubungan antara sebuah faktor dengan penyakit.

Ada faktor yang sekadar “terlihat berhubungan” dengan penyakit, ada yang benar-benar meningkatkan risiko penyakit, dan ada yang sudah bisa dianggap sebagai penyebab penyakit.

Mari kita bedah tiga tingkatan faktor tersebut.

  • Faktor yang berasosiasi (associated factors).

    Ini adalah tingkatan yang paling dasar. Kita menyebut sebuah faktor “berasosiasi” dengan penyakit jika hasil uji statistika menunjukkan adanya hubungan yang nyata. Namun, hubungan ini belum tentu berarti sebab-akibat. Bisa jadi, asosiasi ini hanya terjadi secara kebetulan atau karena dukungan faktor lain yang tersembunyi.

    Contoh: Kita menemukan bahwa kejadian diare lebih sering muncul pada pedet yang lahir pada malam hari. Secara data, ada hubungan. Namun. apakah waktu kelahiran (malam hari) merupakan penyebabnya? Belum tentu. Mungkin ada faktor lain, seperti pengawasan peternak yang kurang pada jam-jam malam. Di sini, kelahiran pada malam hari hanya berasosiasi dengan diare.

  • Faktor risiko (risk factors) dan faktor protektif (protective factors).

    Tingkatan ini lebih kuat dari sekadar asosiasi. Sebuah faktor dianggap sebagai faktor risiko jika kehadirannya meningkatkan peluang hewan untuk sakit. Sebaliknya, ia disebut faktor protektif jika kehadirannya justru melindungi hewan dari penyakit. Syarat bagi suatu faktor agar disebut sebagai risiko adalah kepastian temporal (hubungan waktu). Artinya, faktor tersebut harus ada atau harus terjadi sebelum penyakit muncul. Selain itu, temuan yang konsisten di berbagai kajian akan memperkuat keyakinan terhadap faktor risiko.

    Contoh: Setelah mengendalikan faktor lain, bukti di lapangan selalu konsisten menunjukkan bahwa pedet yang telat mendapat kolostrum (lebih dari 12 jam setelah lahir) memiliki peluang jauh lebih besar untuk mengalami diare beberapa hari kemudian. Ada kepastian urutan waktu di sini, yaitu paparan faktor (keterlambatan pemberian kolostrum) mendahului penyakit (diare). Faktor protektifnya adalah kondisi sebaliknya: pemberian kolostrum yang cukup pada 6 jam pertama setelah kelahiran secara konsisten menurunkan peluang pedet mengalami diare.

  • Faktor penyebab (causal factors).

    Inilah tingkatan tertinggi yang menjadi tujuan akhir kita. Sebuah faktor baru bisa disebut sebagai penyebab jika ia memenuhi kriteria kausalitas yang ketat (seperti kriteria Bradford-Hill yang akan kita bahas pada Kegiatan Belajar 5.2 pekan depan). Kita harus bisa membuktikan bahwa jika faktor ini dihilangkan, maka kejadian penyakit akan menurun secara drastis atau hilang sama sekali.

    Contoh: Adanya infeksi mikroorganisme seperti bakteri Escherichia coli enterotoksigenik atau Rotavirus yang dibuktikan dengan pemeriksaan laboratorium. Mereka inilah pelaku utama yang secara biologis merusak sel-sel dinding usus pedet dan secara langsung memicu terjadinya diare.

Untuk memudahkan kita membedakan ketiganya, perhatikan tabel berikut:

Tabel 5.2. Perbedaan tingkatan faktor berdasarkan kualitas bukti.

Tingkatan Istilah Makna utama Contoh dalam kesehatan hewan
Tingkat 1 Faktor yang berasosiasi Hubungan sebatas hasil uji statistika pada suatu kajian Pedet yang lahir pada malam hari lebih sering menderita diare
Tingkat 2 Faktor risiko dan faktor protektif Hubungan yang selalu konsisten (meningkatkan atau menurunkan risiko) dan memiliki kepastian temporal (ada urutan waktu yang jelas) Pedet yang terlambat mengonsumsi kolostrum lebih berisiko menderita diare
Tingkat 3 Faktor penyebab Hubungan yang sudah memenuhi kriteria kausalitas sebagai penyebab penyakit Pedet yang terinfeksi E. coli enterotoksigenik atau Rotavirus mengalami diare

Dari contoh di atas, kita bisa melihat bahwa sebagai calon dokter hewan, tugas kita adalah memilah bukti-bukti tersebut.

Jika kita hanya menemukan faktor yang berasosiasi, kita harus berhati-hati dalam mengambil kesimpulan. Namun, jika kita sudah menemukan faktor risiko, kita bisa mulai memberikan saran, misalnya perubahan cara pemeliharaan hewan. Terakhir, dengan mengetahui faktor penyebab, kita bisa menentukan intervensi yang tepat sasaran.

Lalu, bagaimana cara kita mendapatkan bukti-bukti ini? Apakah kita cukup hanya dengan mengamati satu atau dua ekor hewan saja?

Tentu tidak. Kita membutuhkan desain penelitian yang terstruktur agar data yang kita kumpulkan benar-benar valid. Pada bagian selanjutnya, kita akan mempelajari berbagai jenis kajian epidemiologi yang bisa kita gunakan untuk menguji faktor-faktor tersebut.

3. Jenis-jenis kajian epidemiologi

Dalam epidemiologi, kita tidak bisa asal mengumpulkan data. Kita perlu memilih “cara” atau desain kajian yang sesuai dengan tujuan kita. Secara garis besar, seluruh kajian epidemiologi dapat kita bedakan berdasarkan dua pertanyaan kunci.

  1. Apakah kita memiliki kelompok pembanding?
    • Jika tidak ada, maka kita melakukan kajian deskriptif.
    • Jika ada, maka kita melakukan kajian analitis.
  2. Apakah kita merancang dan memberikan perlakuan secara sengaja?
    • Jika tidak, maka kajian itu disebut observasional.
    • Jika ya, maka kajian itu disebut eksperimental.

Selain dua pertanyaan kunci di atas, kita juga bisa mengelompokkan suatu kajian berdasarkan waktu atau durasi pengambilan data. Jika kita memotret data pada satu titik waktu saja, kita melakukan kajian potong lintang. Namun, jika kita mengambil data secara berkelanjutan seiring berjalannya waktu, kita melakukan kajian longitudinal.

Berdasarkan pembagian tersebut, kita dapat menyusun hierarki desain kajian epidemiologi sebagai berikut.

  1. Kajian deskriptif → kajian tanpa kelompok pembanding dan tidak bertujuan menguji hipotesis
    1. Berbasis kasus → berfokus pada individu sakit tanpa mempertimbangkan populasi. Contoh:
      • Laporan kasus (case report)
      • Rangkaian kasus (case series)
    2. Berbasis populasi → ada data populasi sebagai dasar perhitungan frekuensi penyakit. Contoh:
      • Kajian potong lintang deskriptif (untuk menghitung prevalensi)
      • Kajian longitudinal deskriptif (untuk menghitung insidensi)
  2. Kajian analitis → kajian dengan kelompok pembanding dan bertujuan menguji hipotesis mengenai hubungan antara paparan (faktor) dan luaran (status kesehatan)
    1. Kajian observasional → peneliti hanya mengamati apa yang terjadi secara alami tanpa memberikan intervensi atau perlakuan apa pun
      1. Berbasis individu → unit observasi adalah individu. Contoh:
        • Kajian potong lintang (cross-sectional study; kadang juga diterjemahkan menjadi kajian lintas seksional)
        • Kajian kasus–kontrol (case–control study)
        • Kajian kohort (cohort study)
      2. Berbasis kelompok (agregat) → unit observasi adalah kelompok atau wilayah. Contoh:
        • Kajian ekologis (ecological study)
    2. Kajian eksperimental (intervensional) → peneliti merancang dan mengendalikan perlakuan terhadap semua kelompok. Contoh:
      • Uji lapangan (field trial)
      • Uji acak terkendali (randomized controlled trial)

Dari pengelompokan ini, kita bisa melihat bahwa satu desain bisa memiliki karakteristik yang berbeda tergantung tujuan penggunaannya. Misalnya, kajian potong lintang bisa bersifat deskriptif ketika hanya menghitung prevalensi, tetapi menjadi analitis ketika digunakan untuk membandingkan kelompok.

Bagaimana cara kita membedakan semua istilah ini dengan cepat? Mari kita perhatikan tabel rangkuman berikut.

Tabel 5.3. Deskripsi dan contoh penerapan berbagai jenis kajian epidemiologi.

Jenis kajian Deskripsi Contoh
Laporan kasus Deskripsi mendetail dari satu individu hewan yang sakit Melaporkan kasus keracunan pada seekor sapi yang mengonsumsi tumbuhan tertentu
Rangkaian kasus Kumpulan beberapa laporan kasus dengan temuan serupa Melaporkan kasus sepuluh ekor sapi di satu desa menunjukkan luka lepuh yang sama secara bersamaan
Kajian potong lintang deskriptif Pengukuran proporsi kasus yang ada pada satu populasi pada satu titik waktu (prevalensi) Melakukan survei untuk mengetahui berapa persen sapi yang menderita cacingan pada bulan Agustus
Kajian longitudinal deskriptif Pengukuran munculnya kasus baru pada satu populasi dalam kurun waktu tertentu (insidensi) Memantau perkembangan tren brucellosis pada sapi di suatu wilayah selama 5 tahun
Kajian potong lintang analitis Perbandingan individu dalam empat kelompok sekaligus (terpapar, tidak terpapar, sakit, tidak sakit) pada satu waktu Mencari asosiasi antara jenis lantai kandang dengan kejadian laminitis pada satu kunjungan lapangan
Kajian kasus–kontrol Perbandingan individu dalam kelompok hewan sakit (kasus) dan tidak sakit (kontrol), lalu melacak riwayat paparannya pada masa lalu Membandingkan sapi yang terkena antraks dan yang tidak, lalu mengecek apakah mereka pernah digembalakan di lahan yang sama
Kajian kohort Perbandingan individu dalam kelompok hewan yang terpapar dan tidak terpapar, lalu melihat siapa saja yang menjadi sakit Memantau kelompok kucing yang hidup indoor dan outdoor, lalu melihat siapa saja yang menjadi obesitas dalam satu tahun ke depan
Kajian ekologis Perbandingan data agregat antara satu kelompok dan kelompok lain Menghubungkan data tingkat kabupaten, yaitu rata-rata curah hujan bulanan dengan prevalensi penyakit kuku busuk pada sapi
Uji lapangan Eksperimen berupa intervensi kepada hewan di lingkungan alamiahnya Menguji efektivitas vaksin baru pada sapi-sapi di beberapa peternakan rakyat
Uji acak terkendali Eksperimen berupa intervensi dengan kontrol yang ketat dan pembagian kelompok secara acak Menguji efektivitas obat cacing jenis baru dibandingkan obat standar pada anjing-anjing secara acak di rumah sakit hewan

Setelah kita memahami “peta besar” dari berbagai jenis kajian ini, sekarang kita akan memfokuskan perhatian pada tiga jenis kajian yang paling sering digunakan dalam epidemiologi veteriner di lapangan, yaitu kajian analitis observasional tingkat individu, yang terdiri atas kajian potong lintang, kasus–kontrol, dan kohort.

Mengapa tiga desain ini perlu dipahami dengan baik?

Karena dalam praktiknya, kita hampir selalu berhadapan dengan keterbatasan. Waktu terbatas, biaya terbatas, data tidak selalu lengkap, dan penyakit yang kita teliti juga memiliki karakter yang berbeda-beda. Oleh karena itu, pemilihan desain kajian bukan soal mana yang paling canggih, tetapi mana yang paling sesuai dengan pertanyaan penelitian.

Apa hal dasar yang membedakan ketiga kajian ini? Kunci utamanya ada pada arah penelusuran waktu dan titik awal kajian. Mari kita bedah satu per satu.

  • Kajian potong lintang (lintas seksional)

    Bayangkan kita mengambil foto menggunakan kamera. Foto tersebut merekam kejadian tepat pada detik tombol ditekan. Begitulah cara kerja kajian potong lintang. Kita mendatangi sebuah populasi hewan, lalu pada saat yang sama, kita mendata hewan mana yang sakit dan tidak sakit (luaran) dan apa saja variasi faktor yang diduga memengaruhinya (paparan). Titik kajiannya adalah masa kini dan kita tidak menelusuri data pada masa lalu maupun masa depan.

    Kapan kajian ini digunakan? Desain ini sangat cocok saat kita membutuhkan jawaban yang cepat dan sumber daya kita terbatas. Kita menggunakannya untuk memotret situasi saat ini, misalnya mencari hubungan antara kondisi lantai kandang dengan kejadian diare pada hari kunjungan tersebut.

    Keterbatasan: Karena data paparan dan luaran diambil secara bersamaan, kita sering kali kesulitan menentukan mana yang terjadi lebih dulu. Misalnya, apakah lantai kandang yang duluan kotor baru kemudian sapi mengalami diare, atau peternak membiarkan lantai kotor setelah sapi menjadi diare? Kita tidak bisa memastikannya dengan desain ini.

  • Kajian kasus–kontrol

    Jika kajian potong lintang adalah sebuah foto, maka kajian kasus–kontrol adalah sebuah adegan kilas balik (flashback). Pada kajian ini, kita memulai investigasi dari luaran (akibat), lalu menelusuri riwayat masa lalu untuk mencari paparan (calon penyebab). Dengan kata lain, kita mengumpulkan sekelompok hewan yang sudah sakit (disebut “kasus”) dan sekelompok hewan tidak sakit yang tinggal di lingkungan serupa (disebut “kontrol”). Setelah itu, kita mencari tahu apakah kedua kelompok memiliki riwayat paparan yang berbeda.

    Kapan kajian ini digunakan? Desain ini sangat cocok saat kita meneliti penyakit langka atau penyakit yang butuh waktu lama untuk muncul (masa inkubasinya panjang). Kita tidak perlu menunggu hewan menjadi sakit. Kita cukup mencari hewan yang sudah sakit.

    Keterbatasan: Kita sangat bergantung pada catatan masa lalu. Padahal, sering kali data tersebut tidak lengkap atau tidak akurat. Jika data tidak tercatat, kita hanya mengandalkan ingatan orang-orang yang terlibat dengan kelompok hewan yang kita teliti. Ingatan seseorang sangat rentan terhadap bias.

  • Kajian kohort

    Kajian kohort adalah sebuah film dokumenter. Kita mengikuti perjalanan hidup sekelompok hewan dari waktu ke waktu. Kajian dimulai dari hewan-hewan tak berpenyakit, yang dibagi menjadi kelompok terpapar dan kelompok tidak terpapar. Kita ikuti mereka selama beberapa pekan, bulan, atau tahun untuk melihat siapa saja yang akhirnya jatuh sakit.

    Kapan kajian ini digunakan? Desain ini digunakan saat kita ingin memastikan secara mutlak bahwa paparan benar-benar terjadi sebelum penyakit. Di antara semua kajian observasional, kajian kohort memberikan bukti yang paling kuat dalam mendukung hubungan sebab-akibat. Desain ini juga sangat tepat untuk menilai paparan yang langka.

    Keterbatasan: Kajian ini memakan waktu yang lebih lama dan biaya yang lebih mahal. Selain itu, ada risiko hewan mati, dijual, atau hilang sebelum masa pemantauan selesai. Jika penyakitnya sangat jarang, jumlah sampel yang dibutuhkan bisa menjadi sangat besar.

Untuk menyederhanakan perbedaan di antara ketiganya, mari kita perhatikan rangkuman pada tabel berikut.

Tabel 5.4. Perbandingan kajian potong lintang, kasus–kontrol, dan kohort.

Aspek Potong lintang Kasus–kontrol Kohort
Arah penelusuran waktu Tidak ada (hanya satu titik waktu) Mundur ke belakang (retrospektif) Maju ke depan (prospektif)
Titik awal kajian Paparan dan penyakit diukur bersamaan Hewan sudah berstatus sakit (kasus) atau tidak sakit (kontrol) Semua hewan tidak sakit, yang dibedakan berdasarkan status paparan
Cocok untuk Mengukur prevalensi dan menilai hubungan awal Penyakit langka dan penyakit dengan masa inkubasi panjang Mengukur insidensi, risiko, dan urutan waktu (temporalitas)
Biaya dan waktu Rendah dan cepat Sedang Tinggi dan lama
Kekuatan bukti Paling lemah Sedang Paling kuat

Sampai di sini, kita mulai bisa melihat bahwa ketiga desain ini bukan saling menggantikan. Masing-masing menjawab kebutuhan yang berbeda.

Lalu, kapan kita memilih salah satunya?

Mari kita gunakan pertanyaan-pertanyaan berikut.

  1. Apakah penyakit yang ingin diteliti tergolong langka atau membutuhkan waktu lama untuk muncul?
    • Ya → Pertimbangkan kajian kasus–kontrol.
    • Tidak → Lanjut ke pertanyaan 2.
  2. Apakah kita memiliki waktu, dana, dan sumber daya untuk memantau hewan secara terus-menerus ke masa depan?
    • Ya → Gunakan kajian kohort.
    • Tidak → Lanjut ke pertanyaan 3.
  3. Apakah kita hanya membutuhkan gambaran cepat mengenai situasi saat ini dan hubungan awal antarfaktor?
    • Ya → Gunakan kajian potong lintang.
4. Hierarki bukti ilmiah

Setelah kita memahami berbagai jenis kajian epidemiologi, sekarang muncul satu pertanyaan penting. Jika kita membaca dua hasil penelitian yang memberikan kesimpulan berbeda tentang penyebab suatu penyakit, rujukan mana yang harus kita pegang? Apakah semua kajian menghasilkan bobot bukti yang setara?

Jawabannya tentu tidak. Mari kita bayangkan sebuah proses pengadilan. Bukti berupa desas-desus dari warga sekitar tentu memiliki kekuatan hukum yang jauh lebih lemah jika disandingkan dengan barang bukti berupa rekaman CCTV di lokasi kejadian. Dalam dunia sains dan kedokteran, kita juga memiliki tingkatan pembuktian serupa yang dikenal sebagai hierarki bukti ilmiah.

Hierarki ini mengurutkan desain penelitian berdasarkan kemampuannya dalam membuktikan hubungan sebab-akibat (kausalitas). Semakin tinggi posisi sebuah desain kajian pada hierarki ini, semakin kebal kajian tersebut terhadap bias (kesalahan pengukuran atau kesalahan dalam menarik kesimpulan). Akibatnya, bukti yang dihasilkan semakin kuat dan layak dijadikan pijakan untuk merumuskan kebijakan untuk kesehatan populasi.

Mari kita urutkan kekuatan bukti tersebut dari tingkat yang paling tinggi hingga paling rendah pada tabel berikut.

Tabel 5.5. Hierarki bukti jenis-jenis kajian dan riset epidemiologis.

Tingkat bukti Desain kajian Penjelasan tingkat kekuatan dan kerentanan terhadap bias
Puncak tertinggi Meta-analisis dan tinjauan sistematis Bukti terkuat. Kajian ini tidak mengumpulkan data baru, melainkan menggabungkan dan menganalisis ulang sekian banyak kajian terbaik (biasanya riset eksperimental) untuk menghasilkan kesimpulan akhir yang komprehensif.
Sangat Kuat Uji acak terkendali dan uji lapangan Bukti primer (lapangan) terkuat. Peneliti mengontrol penuh pemberian perlakuan dan membagi hewan secara acak sehingga risiko bias sangat minimal.
Kuat Kajian kohort Bukti observasional terkuat. Arah penelusuran yang maju ke depan memastikan kita memiliki kepastian waktu (paparan benar-benar mendahului penyakit).
Menengah Kajian kasus–kontrol Posisinya lebih rendah dari kajian kohort karena kajian ini menelusuri masa lalu. Kita sangat bergantung pada catatan sejarah masa lalu yang bisa saja tidak akurat.
Lemah Kajian potong lintang Hanya memotret data pada satu titik waktu. Kita sulit menentukan mana yang terjadi lebih dulu antara paparan dan penyakit, sehingga hubungan sebab-akibat tidak bisa disimpulkan.
Sangat lemah Laporan kasus dan rangkaian kasus Kajian deskriptif murni tanpa kelompok pembanding. Fungsinya hanya sebagai peringatan awal untuk merumuskan dugaan sementara.
Paling dasar Opini pakar dan penalaran Hanya bersumber dari pengalaman subjektif seorang ahli atau murni penalaran teori di atas kertas, tanpa ada kajian lapangan yang terstruktur.

Lalu, mengapa kita tidak selalu melakukan penelitian yang ada di bagian atas piramida?

Mungkin kita berpikir, “Kalau begitu, kita lakukan saja meta-analisis atau uji acak terkendali setiap saat.” Kenyataannya tidak semudah itu. Semakin tinggi posisi kajian dalam piramida, semakin besar biaya yang dibutuhkan, semakin lama waktunya, dan terkadang ada kendala etika. Sebagai contoh, tidak etis dan berbahaya jika kita memaparkan virus ke hewan sehat di populasi alami hanya untuk eksperimen.

Selain itu, setiap desain memiliki peran yang berbeda. Laporan kasus bisa menjadi sinyal awal adanya masalah. Kajian potong lintang membantu kita memahami besarnya masalah. Kajian kasus–kontrol dan kohort membantu kita menguji hubungan. Uji eksperimental memberikan konfirmasi yang lebih kuat.

Dengan kata lain, hierarki ini bukan untuk “menghakimi” desain tertentu, tetapi untuk membantu kita menilai seberapa kuat kesimpulan yang dapat kita tarik dari suatu kajian.

Setelah kita memahami “peta” dan “kualitas” dari berbagai desain kajian ini, selanjutnya kita akan belajar cara mengolah angka-angkanya.

B. Analisis bivariat

Sekarang kita sudah tahu cara memilih desain kajian saat turun ke lapangan. Lalu, apa langkah selanjutnya setelah buku catatan kita penuh dengan data? Kita harus mengolah data tersebut untuk mencari jawaban.

Tahap paling dasar dalam pengujian hipotesis adalah melakukan analisis bivariat. Secara sederhana, analisis bivariat adalah proses membandingkan dua variabel. Dalam epidemiologi analitis, dua variabel utama yang selalu kita sandingkan adalah paparan (faktor yang diduga sebagai penyebab) dan luaran (status kesehatan, yang biasanya berupa status penyakit).

Untuk melakukan ini, kita membutuhkan sebuah alat bantu yang sangat legendaris dalam epidemiologi, yaitu tabel kontingensi 2×2.

1. Tabel 2×2 untuk kajian observasional

Pada modul sebelumnya, kita telah menggunakan tabel 2×2. Namun, penggunaannya berbeda.

  • Tabel 2×2 pada modul 4:
    • Tabel untuk menghitung validitas (sensitivitas dan spesifisitas) dan nilai prediktif sebuah uji diagnostik.
    • Tabel untuk menghitung reliabilitas (tingkat kesesuaian) antara dua penguji atau dua alat uji yang berbeda.
  • Tabel 2×2 pada modul 5 (materi saat ini):
    • Tabel untuk mendeteksi hubungan antara faktor dan penyakit dan mengukur seberapa besar efek paparan tersebut.

Mahasiswa terkadang keliru dalam menentukan variabel mana yang harus diletakkan di baris (horizontal) dan kolom (vertikal) untuk setiap jenis tabel 2×2 ini. Agar kita tidak keliru saat menyusun data, mari kita bedakan ketiga fungsi tabel kontingesi tersebut pada ringkasan berikut.

Tabel 5.6. Perbedaaan berbagai penggunaan tabel 2×2 dalam epidemiologi.

Aspek Tabel validitas uji diagnostik Tabel reliabilitas uji diagnostik Tabel asosiasi kajian observasional
Tujuan utama Menilai ketepatan uji (sensitivitas, spesifisitas, nilai prediktif) Menilai kesesuaian antarpemeriksaan Menilai hubungan antara paparan (faktor) dan luaran (penyakit)
Pertanyaan yang dijawab Apakah uji ini valid? Apakah hasilnya konsisten? Apakah paparan faktor berhubungan dengan kejadian penyakit?
Kolom Status penyakit (D+ / D−) Hasil uji 1 (T1+ / T1−) Status penyakit (D+ / D−)
Baris Hasil uji (T+ / T−) Hasil uji 2 (T2+ / T2−) Status paparan (F+ / F−)
Makna sel a Positif sejati Kesepakatan positif Terpapar dan sakit
Ukuran yang dihitung Se, Sp, NPP, NPN Persentase kesesuaian, statistik Kappa OR, RR, nilai p

Setelah kita melihat perbandingannya, sekarang kita tahu bahwa di Modul 5 ini, fokus kita adalah menempatkan faktor pada baris dan penyakit pada kolom. Mari kita lihat struktur standarnya pada tabel berikut.

Tabel 5.7. Struktur standar tabel kontingensi 2×2 untuk kajian observasional.

  Sakit (D+) Tidak sakit (D−) Total
Terpapar faktor (F+) a b a + b
Tidak terpapar faktor (F−) c d c + d
Total a + c b + d n

Mari kita pahami makna dari setiap sel di dalam tabel tersebut:

  • Sel a: Jumlah hewan yang terpapar faktor dan sakit.
  • Sel b: Jumlah hewan yang terpapar faktor dan tidak sakit.
  • Sel c: Jumlah hewan yang tidak terpapar faktor dan sakit.
  • Sel d: Jumlah hewan yang tidak terpapar faktor dan tidak sakit.

Mengapa posisi ini harus kita patuhi? Karena rumus-rumus yang akan kita gunakan sangat bergantung pada letak angka di dalam sel-sel tersebut. Jika kita salah menempatkan variabel, maka interpretasi kita juga akan ikut meleset.

Mari kita gunakan contoh skenario:

Kita melakukan kajian potong lintang pada 100 ekor pedet. Sebanyak 40 pedet dipelihara di kandang yang kotor (F+), dan 60 pedet lainnya di kandang yang bersih (F−). Pada waktu yang sama, kita juga mendata status diare pada pedet-pedet tersebut. Ternyata, ada 30 pedet yang diare (D+) dan 70 pedet sisanya tidak diare (D−). Kita memasukkan data mentah ke tabel 2×2.

Tabel 5.8. Contoh pengisian tabel 2×2 untuk kajian observasional mengenai faktor kebersihan kandang dan diare pada pedet.

  Diare (D+) Tidak diare (D−) Total
Kandang kotor (F+) 20 20 40
Kandang bersih (F−) 10 50 60
Total 30 70 100

Setelah kita berhasil menyusun tabel 2×2 dengan benar, langkah berikutnya adalah menghitung kekuatan asosiasi antara paparan faktor dan penyakit.

2. Kekuatan asosiasi

Tujuan utama kajian observasional (baik potong lintang, kasus–kontrol, maupun kohort) adalah untuk mengukur seberapa kuat asosiasi antara faktor dan penyakit. Namun, sebelum kita menghitungnya, ada dua konsep dasar yang harus kita pahami, yaitu risiko (risk) dan peluang relatif (odds).

  • Risiko: Proporsi (jenis perbandingan) antara jumlah hewan yang sakit dengan total populasi.
  • Peluang relatif: Rasio (jenis perbandingan) antara jumlah hewan yang sakit dengan jumlah hewan yang tidak sakit.

Mari kita gunakan perhitungan sederhana. Bayangkan di sebuah kandang terdapat 10 ekor sapi. Dari jumlah tersebut, 2 ekor terinfeksi virus, dan 8 ekor tetap sehat.

  • Berapa risiko sapi menjadi sakit? Jawabannya adalah 2 dibagi 10 (atau 20% atau 0,2).
  • Berapa odds sapi menjadi sakit? Jawabannya adalah 2 berbanding 8 (atau 1:4 atau 0,25).

Setelah memahami perbedaan antara risiko dan odds, kita siap menghitung kekuatan asosiasi menggunakan data dari sel a, b, c, dan d pada tabel 2×2 kita sebelumnya. Ada dua metrik utama yang kita gunakan, yaitu RR dan OR. Pemilihannya sangat bergantung pada desain kajian kita.

  • Rasio risiko atau risiko relatif (RR)

    Ukuran pertama adalah perbandingan risiko antarkelompok. Istilah ini diberi nama rasio risiko (risk ratio) atau risiko relatif (relative risk) yang disingkat RR. Ia digunakan pada kajian kohort.

    Pada kajian ini, kita menelusuri hewan dari kondisi tidak sakit menuju masa depan untuk melihat siapa yang akhirnya jatuh sakit. Risiko relatif (RR) membandingkan risiko sakit pada kelompok yang terpapar faktor dengan risiko sakit pada kelompok yang tidak terpapar.

    Rumusnya adalah:

    RR = risiko sakit pada kelompok terpapar / risiko sakit pada kelompok tidak terpapar
    = [a / (a + b)] / [c / (c +d)]

    Cara interpretasi: Apabila kita mendapatkan nilai RR = 3, artinya hewan yang terpapar faktor memiliki risiko 3 kali lipat lebih besar untuk sakit dibandingkan hewan yang tidak terpapar faktor.

  • Rasio peluang relatif (OR)

    Ukuran kedua adalah perbandingan peluang relatif antarkelompok. Istilah ini diberi nama rasio peluang relatif (odds ratio) yang disingkat OR. Ia digunakan pada kajian kasus–kontrol dan kajian potong lintang.

    Pada kajian kasus–kontrol, kita memulai investigasi dari hewan yang sudah sakit, sehingga hal ini bukan lagi menjadi risiko. Sebagai gantinya, kita menghitung OR dengan membandingkan odds sakit pada kelompok terpapar dengan odds sakit pada kelompok tidak terpapar.

    Untuk kajian potong lintang, nilai OR juga sering digunakan dalam analisis statistika, meskipun hal yang diukur adalah prevalensi.

    Rumus perhitungannya adalah:

    OR = odds sakit pada kelompok terpapar / odds sakit pada kelompok tidak terpapar
    = [a / b] / [c / d] = a×d / b×c

    Cara interpretasi: Apabila kita mendapatkan nilai OR = 5, artinya hewan yang terpapar faktor memiliki peluang relatif (odds) 5 kali lipat untuk sakit dibandingkan hewan yang tidak terpapar faktor.

Tabel 5.9. Ekspansi tabel 2×2 dengan menambahkan kolom untuk risiko dan peluang relatif bagi setiap status paparan.

  D+ D− Total Risiko Odds
F+ 20 20 40 20/40 = 0,5 20/20 = 1
F− 10 50 60 10/60 ≈ 0,167 10/50 = 0,2
Total 30 70 100    

Pada skenario ini, kita dapat menghitung RR dan OR

  • RR = risiko pada F+ / risiko pada F− = 0,5/0,167 ≈ 3
  • OR = odds pada F+ / odds pada F− = 1/0,2 = 5

Baik RR maupun OR memiliki interpretasi yang serupa.

  • Nilai = 1: Faktor tidak berhubungan dengan penyakit
  • Nilai > 1: Faktor meningkatkan kejadian penyakit (cenderung menjadi faktor risiko)
  • Nilai < 1: Faktor menurunkan kejadian penyakit (cenderung menjadi faktor protektif)

Saat menyusun tabel 2×2, sebagian orang merasa ragu dalam menentukan kelompok mana yang harus diletakkan di baris atas (terpapar) dan mana yang diletakkan di baris bawah (tidak terpapar).

Bagaimana jika kita keliru menentukan mana kelompok ‘terpapar’ dan mana ‘tidak terpapar’?

Sebenarnya, hal tersebut tidak menjadi masalah. Kita bebas menentukan kelompok mana yang menjadi patokan atau rujukan (baseline). Menukar posisi baris hanya akan membuat nilai RR dan OR menjadi kebalikannya.

Contoh:

Tabel 5.10. Contoh pengisian tabel 2×2 dengan baris faktor yang ditukar.

  Diare (D+) Tidak diare (D−) Total
Kandang bersih (F+) 10 50 60
Kandang kotor (F−) 20 20 40
Total 30 70 100
  • Jika semula RR = 3, maka setelah baris F+ dan F− dibalik, RR = 1/3 ≈ 0,33
  • Jika semula OR = 5, maka setelah baris F+ dan F− dibalik, OR = 1/5 = 0,2

Apakah ini salah? Tidak.

Namun, interpretasinya juga harus dibalik.

  • Jika RR = 3, maka paparan faktor meningkatkan risiko penyakit
  • Jika RR = 0,33, maka paparan faktor menurunkan risiko penyakit

Artinya, hal yang berubah bukan hubungan datanya, tetapi sudut pandang kita dalam membandingkan kelompok. Intinya, angka RR atau OR selalu menceritakan: “Berapa kali lipat kelompok di baris pertama dibandingkan dengan kelompok di baris kedua (referensi)?” Namun, biasanya kita memilih kelompok yang paling ‘alami’, paling sehat, atau kelompok yang tidak mendapatkan perlakuan apa pun sebagai patokan.

Pertimbangan lain yang sering membuat kita bingung adalah, bagaimana jika paparan punya lebih dari dua kategori?

Contoh: Dalam kajian, kita meneliti tingkat kepadatan kandang sebagai faktor. Ada tiga kategori di sini, yaitu kepadatan rendah, sedang, tinggi.

Artinya, bentuk tabelnya bukan lagi 2×2 (2 kolom × 2 baris), tetapi menjadi tabel 2×3 (2 kolom × 3 baris) atau bahkan 2×4. Lihat contohnya pada tabel berikut.

Tabel 5.11. Contoh pengisian tabel 2×3 untuk kajian observasional mengenai tingkat kepadatan kandang dan diare pada pedet.

  D+ D− Total
Kepadatan tinggi 17 13 30
Kepadatan sedang 10 27 37
Kepadatan rendah 8 25 33
Total 35 65 100

Bagaimana cara menganalisisnya?

Pendekatan yang paling umum adalah memilih satu kelompok sebagai referensi (baseline), lalu membandingkan kelompok lain terhadap kelompok tersebut.

Jika kita memiliki tiga tingkat kepadatan kandang, kita bisa menggunakan kepadatan rendah sebagai referensi.

Maka kita akan menghitung RR atau OR untuk

  • kepadatan tinggi vs kepadatan rendah
    • RR = (17/30) / (8/33) = 2,34
    • OR = (17/13) / (8/25) = 4,09
  • kepadatan sedang vs kepadatan rendah
    • RR = (10/37) / (8/33) = 1,11
    • OR = (10/27) / (8/25) = 1,16

Dengan cara ini, kita tetap bisa menggunakan prinsip tabel 2×2 untuk setiap perbandingan. Meskipun demikian, kita sebaiknya tidak menggunakan terlalu banyak kategori paparan. Upayakan untuk membuat dua kategori saja (alasannya dijelaskan lebih rinci pada Kegiatan Belajar 5.2 pekan depan).

Misalkan kita sudah selesai menghitung dan mendapatkan nilai RR = 3. Apakah analisis kita selesai sampai di sini? Belum.

Setiap nilai RR atau OR yang kita hitung dari tabel 2×2 hanya berlaku untuk sampel yang kita teliti. Padahal, tujuan kita adalah memperkirakan kondisi pada populasi. Nilai RR atau OR pada populasi bisa saja berbeda.

Nilai RR atau OR dari tabel biasanya tidak berdiri sendiri. Kita mendampinginya dengan rentang yang disebut selang kepercayaan, yang biasanya menggunakan angka 95% (sering ditulis dengan 95% confidence interval atau 95% CI).

Sebagai contoh: RR = 3,0 (95% CI: 1,57 – 5,72)

Artinya, berdasarkan sampel yang kita teliti, nilai RR adalah 3. Selain itu, kita memperkirakan bahwa nilai RR pada populasi berada di antara 1,57 hingga 5,72.

Angka batas atas dan batas bawah tersebut berasal dari perhitungan statistika yang kompleks. Pada umumnya, kita menggunakan perangkat lunak untuk mendapatkan angkanya secara otomatis. Pada prinsipnya, semakin banyak individu yang kita teliti, rentang CI akan semakin sempit (presisi). Sebaliknya, jika sampel kita sedikit, rentang CI akan sangat lebar, yang menunjukkan bahwa hasil penelitian kita kurang meyakinkan untuk digeneralisasikan ke populasi.

Hal yang lebih penting untuk dipahami adalah aturan praktis untuk memaknai rentang ini.

Jika selang kepercayaan

  • tidak melewati angka 1 → hubungan memiliki makna secara statistik
  • melewati angka 1 → hubungan tidak bermakna secara statistik

Mari kita lihat panduan interpretasinya pada tabel berikut.

Tabel 5.12. Interpretasi makna statistika berdasarkan selang kepercayaan 95% (95% CI).

Posisi rentang 95% CI Posisi terhadap angka 1 Makna epidemiologis Contoh penulisan hasil
Seluruh batas bawah dan atas berada > 1 Tidak melewati angka 1 Faktor memiliki makna statistika untuk meningkatkan kejadian penyakit OR = 3,5 (95% CI: 1,8 – 5,2)
Seluruh batas bawah dan atas berada < 1 Tidak melewati angka 1 Faktor memiliki makna statistika untuk menurunkan kejadian penyakit RR = 0,4 (95% CI: 0,1 – 0,7)
Batas bawah < 1 dan batas atas > 1 Melewati angka 1 Faktor tidak bermakna secara statistika dengan kejadian penyakit. Nilai aslinya di populasi bisa saja tepat di angka 1 (tidak berhubungan) OR = 2,1 (95% CI: 0,8 – 4,5)

Selain itu, lebar interval juga memberikan informasi penting. Interval yang sempit menunjukkan estimasi lebih presisi, sedangkan interval yang lebar menunjukkan ketidakpastian yang lebih besar.

Sampai di sini, kita sudah memiliki dua alat penting:

  • ukuran asosiasi (RR dan OR)
  • ukuran ketidakpastian (CI)

Langkah berikutnya adalah menilai apakah hubungan yang kita temukan benar-benar signifikan atau hanya terjadi secara kebetulan.

3. Uji Chi-square

Setelah kita menghitung kekuatan asosiasi (RR atau OR) dan melihat rentang ketidakpastiannya melalui selang kepercayaan (CI), muncul satu pertanyaan terakhir: Apakah hubungan yang kita temukan benar-benar ada atau hanya terjadi secara kebetulan dari sampel yang kita ambil?

Di sinilah kita menggunakan uji statistika.

Untuk data kategorik dalam tabel 2×2, uji yang paling sering digunakan adalah uji independensi Chi-square (χ²). Uji ini digunakan untuk menilai apakah terdapat asosiasi antara paparan dan penyakit, atau apakah perbedaan yang kita lihat bisa saja terjadi secara kebetulan.

a. Konsep dasar uji Chi-square

Uji Chi-square membandingkan dua hal:

  • Nilai pengamatan (observed): Angka yang kita dapatkan dari kajian, yaitu isi sel a, b, c, d.
  • Nilai harapan (expected): Angka yang seharusnya muncul jika seandainya tidak ada hubungan sama sekali antara faktor dan penyakit.

Jika tidak ada asosiasi antara paparan dan penyakit, maka distribusi kasus pada setiap sel tabel akan mengikuti pola tertentu. Uji Chi-square mengukur seberapa jauh perbedaan antara nilai yang diamati dan nilai yang diharapkan.

Logikanya sederhana: semakin besar perbedaan antara nilai observed dan expected, maka semakin besar kemungkinan bahwa asosiasi tersebut nyata, bukan kebetulan.

b. Langkah-langkah uji Chi-square

Mari kita gunakan kembali data diare pedet dari tabel 2×2 sebelumnya sebagai contoh soal.

Tabel 5.13. Data hasil pengamatan kajian mengenai faktor kebersihan kandang dan diare pada pedet.

  D+ D− Total
F+ 20 20 40
F− 10 50 60
Total 30 70 100

Langkah 1: Tentukan hipotesis

  • Hipotesis nol (H0): Tidak ada hubungan antara kebersihan kandang dan kejadian diare (perbedaan hanya karena kebetulan).
  • Hipotesis alternatif (Ha): Ada hubungan antara kebersihan kandang dan kejadian diare.

Langkah 2: Hitung nilai harapan (expected value atau E)

Rumus untuk setiap sel adalah: (total baris × total kolom) / total keseluruhan (N)

  • E untuk sel a = (kandang kotor & diare) = (40 × 30) / 100 = 12
  • E untuk sel b = (kandang kotor & tidak diare) = (40 × 70) / 100 = 28
  • E untuk sel c = (kandang bersih & diare) = (60 × 30) / 100 = 18
  • E untuk sel d = (kandang bersih & tidak diare) = (60 × 70) / 100 = 42

Langkah 3: Hitung nilai Chi-square (χ2)

Rumus umumnya adalah:

χ2 = ∑ [(O − E)^2] / E

Mari kita hitung untuk setiap sel:

  • Sel a: (20−12)^2 / 12 = 64/12 = 5,33
  • Sel b: (20−28)^2 / 28 = 64/28 = 2,29
  • Sel c: (10−18)^2 / 18 = 64/18 = 3,56
  • Sel d: (50−42)^2 / 42 = 64/42 = 1,52
  • Total χ2 = 5,33 + 2,29 + 3,56 + 1,52 = 12,7

Langkah 4: Tentukan derajat kebebasan (degrees of freedom atau df)

df = (baris − 1) × (kolom − 1)

Untuk tabel 2×2: df = (2 − 1) × (2 − 1) = 1

Langkah 5: Interpretasi nilai p

Nilai χ2 dengan df tertentu kemudian kita cocokkan dengan tabel distribusi Chi-square untuk mendapatkan nilai p. Namun, pada era sekarang, kita biasanya langsung melihat nilai p secara otomatis dari perangkat lunak.

Untuk mengambil keputusan, kita membandingkan nilai p dengan batas toleransi kesalahan yang kita tetapkan, biasanya 5% atau 0,05 (dikenal sebagai nilai alfa).

Aturannya adalah:

  • Jika nilai p < 0,05: Kita menolak H0. Kemungkinan terjadinya kebetulan sangat kecil (di bawah 5%). Kesimpulan: Hubungan antara faktor dan penyakit bermakna secara statistika (signifikan).
  • Jika nilai p ≥ 0,05: Kita gagal menolak H0. Kemungkinan terjadinya kebetulan cukup besar (di atas 5%). Kesimpulan: Hubungan antara faktor dan penyakit tidak bermakna secara statistika. Data belum cukup kuat untuk membuktikan adanya hubungan.

Sebagai contoh, nilai χ2 = 12,7 dengan df = 1 ini akan menghasilkan nilai p yang sangat kecil, yaitu 0,0004 (jauh di bawah 0,05). Jadi, kita bisa menyimpulkan bahwa faktor kebersihan kandang kotor memiliki asosiasi yang bermakna dengan diare pada pedet.

Selain menghitung nilai Chi-Square dengan angka-angka observed dan expected, khusus untuk tabel 2×2, ada rumus alternatif untuk mendapatkan nilai Chi-square:

χ2 = [n × (a×d − b×c)^2] / [(a+b)×(c+d)×(a+c)×(b+d)]

Mari kita masukkan angka dari skenario diare pedet ke dalam rumus tersebut.

χ2 = [100 × (20×50 − 20×10)^2] / [40×60×30×70] = 64.000.000 / 5.040.000 = 12,7

Catatan penting:

  • nilai p tidak menunjukkan besar efek (itu tugasnya RR dan OR),
  • nilai p hanya menunjukkan ada atau tidaknya bukti signifikansi secara statistika.

Apakah kita selalu menggunakan uji Chi-square di atas untuk setiap kajian? Terkadang kita berhadapan dengan penyakit langka atau jumlah sampel yang diperoleh terlalu sedikit. Jika jumlah sampel terlalu kecil atau frekuensi harapan pada beberapa sel terlalu rendah, pendekatan Chi-square menjadi kurang akurat

Oleh sebab itu, kita memiliki tiga jenis uji yang saling melengkapi. Pemilihannya sangat bergantung pada jumlah sampel dan nilai harapan. Mari kita lihat panduannya pada tabel berikut.

Tabel 5.14. Panduan pemilihan uji statistika untuk tabel kontingensi 2×2.

Jenis uji Rumus Kapan digunakan? Penjelasan
Chi-square Pearson (standar) χ2 = [n × (a×d − b×c)^2] / [(a+b)×(c+d)×(a+c)×(b+d)] Gunakan jika total sampel cukup besar dan semua sel memiliki “nilai harapan” minimum 5 Uji yang paling umum digunakan untuk menilai ada tidaknya asosiasi pada tabel 2×2.
Chi-square dengan koreksi Yates χ2 = [n × (|a×d − b×c| − 0.5n)^2] / [(a+b)×(c+d)×(a+c)×(b+d)] Alternatif untuk tabel 2×2 jika jumlah sampel tidak terlalu besar dan peneliti ingin pendekatan yang lebih konservatif Uji ini menyertakan koreksi (dikurangi 0,5n) untuk mengurangi kecenderungan Chi-square biasa yang memberikan hasil terlalu signifikan pada sampel kecil. Dalam rumusnya terdapat tanda garis vertikal (|) yang berarti nilai mutlak (hasil pengurangan selalu dianggap positif)
Uji eksak Fisher nilai p = [(a+b)! × (c+d)! × (a+c)! × (b+d)!] / [a! × b! × c! × d! × n!] Gunakan jika total sampel sangat kecil, atau ada sel yang memiliki “nilai harapan” di bawah 5, atau ada sel bernilai 0. Uji ini langsung memberikan nilai p menggunakan prinsip faktorial (!). Pada praktiknya, uji ini akan selalu dihitung dengan perangkat lunak.

Namun, ada satu hal yang perlu kita sadari. Mengetahui bahwa sebuah faktor “berhubungan” dengan penyakit saja belum cukup bagi kita. Kita juga perlu tahu seberapa besar dampak faktor tersebut bagi populasi secara keseluruhan.

Jika kita berhasil menghilangkan faktor risiko tersebut, berapa banyak kasus yang bisa kita cegah? Kita akan menjawabnya pada bagian selanjutnya.

3. Ukuran dampak

Setelah kita tahu bahwa sebuah faktor berhubungan nyata dengan penyakit (melalui nilai p) dan seberapa kuat hubungannya (melalui RR atau OR), apa langkah selanjutnya?

Sebagai pihak yang membuat keputusan, kita sering kali dihadapkan pada keterbatasan sumber daya. Kita tidak bisa menangani semua faktor risiko sekaligus. Kita perlu bertanya: “Faktor mana yang jika kita hilangkan, akan memberikan dampak penurunan penyakit yang paling besar pada populasi?”

Untuk menjawab pertanyaan ini, kita menggunakan beberapa ukuran.

  • Perbedaan risiko

    Ukuran pertama adalah perbedaan risiko (risk difference; disingkat RD) yang kadang disebut sebagai risiko yang dapat diatribusikan (attributable risk; disingkat AR). Ia menghitung selisih risiko antara kelompok terpapar dan kelompok tidak terpapar.

    Rumus:

    RD = risiko penyakit pada kelompok terpapar − risiko penyakit pada kelompok tidak terpapar

    Mari kita gunakan contoh yang sama.

    • Risiko diare pada kelompok kandang kotor = 0,5
    • Risiko diare pada kelompok kandang bersih = 0,167
    • Perbedaan risiko (RD) = 0,5 − 0,167 = 0,33

    Interpretasi: Ada tambahan risiko sebesar 0,33 pada kelompok pedet yang berada di kandang kotor. Artinya, jika ada tambahan 1 ekor pedet yang terpapar kandang kotor, maka kasus diare akan bertambah sebanyak 0,33.

    Ukuran ini sangat konkret. Ia langsung memberi gambaran “seberapa banyak kasus tambahan” yang terjadi akibat paparan suatu faktor.

  • Fraksi yang dapat diatribusikan

    Ukuran kedua adalah proporsi atau fraksi yang dapat diatribusikan (attributable fraction; disingkat AF). Ia menghitung proporsi kasus pada kelompok terpapar yang diatribusikan (dikaitkan) oleh paparan tersebut.

    Rumus:

    AF = (perbedaan risiko / risiko pada kelompok terpapar) × 100%

    atau

    AF = ((RR − 1) / RR) × 100%

    Contoh: Dengan risiko relatif (RR) = 3

    AF = (3 − 1) / 3 = 2/3 ≈ 0,67 = 67%

    Interpretasi: Sekitar 67% kasus diare pada pedet yang tinggal di kandang kotor dapat dikaitkan dengan kondisi kandang. Sisanya mungkin dipengaruhi oleh faktor lain.

Mengapa kedua ukuran ini penting bagi kita?

RR dan OR memberi tahu kita seberapa kuat hubungan. Namun, mereka tidak selalu memberi gambaran seberapa besar masalah di lapangan.

Contoh:

  • Faktor A memiliki RR = 5, tetapi hanya terjadi pada 2% populasi
  • Faktor B memiliki RR = 2, tetapi terjadi pada 60% populasi

Faktor mana yang lebih penting dikendalikan?

Dalam banyak kasus, faktor B justru memberi dampak lebih besar terhadap total kasus penyakit, karena paparan tersebut lebih luas.

Di sinilah ukuran seperti perbedaan risiko menjadi sangat penting. Mereka membantu kita menentukan prioritas intervensi, merancang program pencegahan yang efisien, dan mengalokasikan sumber daya secara tepat.

Dengan memahami ukuran dampak, kita dapat mengenali faktor-faktor yang berbahaya, sekaligus menentukan faktor mana yang paling “layak” untuk dikendalikan dalam populasi.

Buat konten untuk bagian selanjutnya:

C. Analisis multivariat

Sejauh ini, kita telah menghitung hubungan antara satu paparan dan satu kejadian penyakit. Perhitungan yang hanya melibatkan dua variabel seperti ini kita sebut sebagai analisis bivariat. Namun, dalam praktiknya, seekor hewan tidak pernah terpapar hanya oleh satu hal. Pedet yang kita teliti mungkin tinggal di kandang yang kotor, tetapi ia juga memiliki umur tertentu, mendapatkan jenis pakan tertentu, dan berasal dari rumpun (breed) tertentu.

Jika kita hanya melihat hubungan antara faktor “kebersihan kandang” dan status “diare” tanpa mempedulikan faktor lainnya, kita berisiko mengambil kesimpulan yang salah. Di sinilah kita membutuhkan analisis multivariat, yaitu analisis yang mampu melihat hubungan banyak variabel sekaligus secara bersamaan.

1. Variabel perancu

Pernahkah kita melihat dua hal yang seolah-olah berhubungan sangat kuat, padahal sebenarnya ada “pihak ketiga” yang mengaturnya dari belakang? Dalam epidemiologi, pihak ketiga ini kita sebut sebagai variabel perancu (confounding).

Variabel perancu adalah faktor ketiga yang berhubungan baik dengan variabel paparan maupun dengan variabel luaran. Kehadirannya bisa “menipu” kita dengan cara membuat hubungan terlihat lebih kuat, lebih lemah, atau bahkan menciptakan hubungan palsu yang sebenarnya tidak ada.

Bagaimana variabel perancu “menipu” kita?

Mari kita kembali ke skenario kebersihan kandang dan diare pedet. Ketika kita melakukan penelitian dan menemukan bahwa pedet di kandang kotor memiliki risiko diare 3 kali lipat lebih tinggi (RR = 3). Kita mungkin langsung menyimpulkan bahwa situasi kandang yang kotor adalah penyebab utamanya. Namun, setelah kita telusuri lebih dalam, ternyata ada variabel lain, yaitu kepadatan kandang.

Mari kita lihat logikanya:

  • Kandang yang sangat padat (terlalu banyak hewan dalam satu ruangan) akan lebih cepat menjadi kotor karena feses dan urine terakumulasi dengan cepat. Artinya, kepadatan berhubungan dengan kebersihan.
  • Kandang yang sangat padat juga menyebabkan stres pada pedet dan mempermudah penularan patogen antarhewan. Artinya, kepadatan memengaruhi kejadian diare, terlepas dari apakah kandangnya kotor atau tidak.

Dalam kasus ini, kepadatan kandang adalah variabel perancu. Jika kita tidak memperhitungkan kepadatan, kita mungkin akan menyimpulkan bahwa “kotoran” adalah satu-satunya penyebab diare, padahal sebagian kasus diare tersebut mungkin dipengaruhi oleh kepadatan. Akibatnya, hubungan antara kebersihan dan diare menjadi “terdistorsi” atau kacau.

Kita bisa mengenali variabel perancu dengan ciri berikut:

  1. Ia berhubungan dengan paparan
  2. Ia berhubungan dengan luaran
  3. Ia bukan merupakan perantara dalam jalur sebab-akibat antara paparan dan penyakit

Mari kita ambil contoh lainnya.

Suatu kajian mengidentifikasi adanya asosiasi antara jenis pakan (basah dan kering) dan gangguan kardiovaskular pada anjing. Anjing yang diberi pakan basah lebih banyak ditemukan pada anjing dengan gangguan kardiovaskular. Namun, kita harus teliti dan mempertimbangkan faktor lain, misalnya umur. Ternyata, anjing berusia lanjut lebih sering diberi pakan basah. Selain itu, anjing berusia lanjut juga lebih sering mengalami gangguan kardiovaskular. Oleh karena itu, “umur” merupakan variabel perancu bagi variabel “jenis pakan” dan variabel “gangguan kardiovaskular”.

Mari kita lihat persamaan antara skenario pedet dan skenario anjing senior.

Tabel 5.15. Contoh identifikasi variabel perancu pada dua skenario epidemiologis.

Aspek Skenario 1 Skenario 2
Variabel luaran Diare Gangguan kardiovaskular
Variabel paparan Kebersihan kandang Jenis pakan
Variabel perancu Kepadatan kandang Umur anjing
Apakah perancu berhubungan dengan paparan? Ya, kandang yang padat juga cenderung kotor Ya, anjing senior cenderung mengonsumsi pakan basah
Apakah perancu berhubungan dengan luaran? Ya, kandang yang padat cenderung meningkatkan kejadian diare Ya, anjing senior cenderung memiliki gangguan kardiovaskular
Apakah perancu berada dalam jalur sebab-akibat Tidak, kebersihan kandang (paparan) tidak menyebabkan kandang menjadi padat (perancu) Tidak, pemberian pakan basah (paparan) tidak menyebabkan anjing menjadi tua (perancu)

Selain perancu, ada satu konsep lain yang perlu diperhatikan, yaitu pemodifikasi efek (effect modifier).

Jika perancu adalah “pengganggu” yang harus kita kendalikan agar hubungan antarvariabel menjadi lebih akurat, maka pemodifikasi efek adalah “pemberi variasi” yang memang mengubah kekuatan hubungan antara paparan dan penyakit.

Sebagai contoh, kita menemukan bahwa kandang kotor sangat meningkatkan risiko diare bagi pedet rumpun impor, tetapi dampaknya biasa saja bagi pedet rumpun lokal. Di sini, rumpun (breed) bukan lagi pengganggu, melainkan pemodifikasi efek. Ia memberi tahu kita bahwa dampak kebersihan kandang berbeda-beda pada setiap rumpun hewan.

Mengapa kita perlu memahami variabel perancu dan pemodifikasi efek?

Jika kita hanya mengandalkan analisis bivariat, kita mungkin akan memberikan saran yang kurang tepat. Kita bisa saja menyarankan peternak untuk mati-matian membersihkan lantai, padahal masalah utamanya adalah jumlah hewan di dalam kandang yang terlalu padat.

Lalu, bagaimana cara kita “membersihkan” hubungan paparan dan penyakit dari gangguan variabel perancu ini? Bagaimana cara kita menghitung banyak variabel sekaligus dalam satu waktu?

Kita akan menjawabnya pada bagian selanjutnya mengenai regresi logistik.

2. Uji regresi logistik

Secara sederhana, regresi logistik merupakan uji statistika yang memungkinkan kita memasukkan banyak variabel paparan sekaligus dalam satu perhitungan matematis.

Jika analisis bivariat (tabel 2×2) hanya bisa melihat hubungan antara satu faktor dan satu penyakit, maka regresi logistik memungkinkan kita untuk memasukkan banyak faktor sekaligus untuk satu luaran penyakit.

Regresi logistik digunakan untuk skenario yang memiliki variabel dependen (luaran) yang berbentuk dikotomi. Dalam epidemiologi veteriner, contoh variabelnya adalah status kesehatan yang memiliki dua kemungkinan (dikotomi), misalnya “sakit atau sehat”, “hidup atau mati”, dan “bunting atau tidak bunting”. Uji regresi logistik digunakan untuk menganalisis data yang memiliki luaran dikotomi seperti ini.

Untuk memahami cara kerja uji ini tanpa harus dipusingkan oleh rumus matematika, bayangkan sebuah meja mixer audio di studio rekaman. Di meja tersebut terdapat banyak tombol geser untuk mengatur suara vokal, gitar, bass, dan drum secara bersamaan. Jika kita ingin menilai seberapa jernih suara gitar, kita tidak perlu mematikan alat musik lainnya. Kita cukup “mengunci” volume vokal dan drum di tingkat tertentu, lalu berfokus mendengarkan suara gitarnya.

Uji regresi logistik bekerja dengan prinsip yang sama. Perangkat lunak komputer akan “mengunci” atau mengendalikan variabel-variabel perancu menggunakan statistika sehingga kita bisa mengamati efek murni dari paparan utama kita. Hasil akhir dari perhitungan regresi logistik adalah sebuah nilai yang kita sebut OR yang disesuaikan (adjusted OR).

Mari kita terapkan konsep ini pada data pedet kita.

  • Saat kita hanya menggunakan analisis bivariat (tabel 2×2) untuk melihat efek kebersihan lantai, kita mendapatkan nilai OR kasar (crude OR) = 5,0. Angka ini masih “kotor” karena diam-diam tercampur oleh efek dari faktor-faktor lain.
  • Sekarang, kita melangkah ke analisis multivariat. Kita memasukkan variabel “kebersihan lantai”, “kepadatan kandang”, “umur pedet”, “jenis pakan”, dan faktor lain yang kita teliti secara bersamaan ke dalam perangkat lunak untuk uji regresi logistik.
  • Komputer kemudian mengunci efek kepadatan kandang, umur, dan pakan, lalu mengeluarkan hasil baru, yaitu OR yang disesuaikan untuk kebersihan lantai = 1,5 (95% CI: 0,8 – 2,5).

Apa makna dari penurunan angka yang sangat drastis ini?

Penurunan dari 5,0 menjadi 1,5 (dan rentang CI yang kini melewati angka 1) menunjukkan bahwa kepadatan kandang (dan mungkin variabel lainnya) bertindak sebagai variabel perancu. Setelah pengaruh variabel-variabel tersebut dikendalikan, hubungan antara kebersihan lantai dan diare menjadi jauh lebih lemah dan menjadi tidak bermakna secara statistika. Hal ini menunjukkan bahwa sebagian hubungan yang terlihat sebelumnya dipengaruhi oleh faktor lain, bukan semata-mata oleh kebersihan lantai.

Regresi logistik dapat digunakan pada berbagai jenis kajian observasional, seperti kajian potong lintang, kasus–kontrol, maupun kohort. Syarat utamanya adalah variabel luaran bersifat dikotomi. Meskipun demikian, ada aturan praktis yang sering digunakan:

  • Pada kajian potong lintang dan kasus–kontrol, regresi logistik merupakan uji standar karena hasil akhirnya berupa OR yang disesuaikan (adjusted OR).
  • Pada kajian kohort, meskipun bisa menggunakan regresi logistik, beberapa peneliti memilih metode lain seperti regresi Poisson untuk memperoleh RR yang disesuaikan (adjusted RR).

Setelah kita melakukan analisis multivariat, kita akan mendapatkan angka OR/RR yang baru. Kita dapat mengatakan bahwa nilai OR/RR yang diperoleh dari analisis bivariat (tabel 2×2) merupakan nilai kasar (crude), sedangkan nilai OR/RR yang diperoleh dari analisis multivariat (seperti regresi logistik) merupakan nilai yang disesuaikan (adjusted).

  • Nilai OR/RR kasar menunjukkan hubungan awal yang masih tercampur faktor lain.
  • Nilai OR/RR yang disesuaikan menunjukkan hubungan setelah faktor perancu dikendalikan.

Bagaimana cara kita mengambil keputusan?

Jika setelah disesuaikan nilai OR/RR tetap signifikan (selang kepercayaan tidak melewati angka 1), maka kita bisa sangat yakin bahwa faktor tersebut memang benar-benar memiliki peran penting dalam kejadian penyakit. Namun, jika nilainya turun drastis dan menjadi tidak signifikan, maka faktor tersebut kemungkinan besar hanyalah “pengikut” dari variabel perancu lainnya.

Pemahaman tentang nilai yang disesuaikan ini sangat penting saat kita membaca artikel ilmiah. Kita tidak boleh langsung percaya pada angka yang besar sebelum memastikan apakah peneliti tersebut sudah melakukan penyesuaian (adjustment) terhadap variabel-variabel perancu yang mungkin ada.

III. Ringkasan

Melalui kegiatan belajar ini, kita telah membekali diri dengan kemampuan untuk membaca dan memahami laporan hasil kajian epidemiologi analitis secara mendalam. Kita belajar bahwa langkah pertama saat membedah sebuah artikel ilmiah adalah mengenali desain kajian yang digunakan, apakah ia menggunakan kajian potong lintang, kasus–kontrol, atau kohort. Kita dapat menafsirkan ukuran asosiasi seperti RR dan OR untuk mengukur seberapa kuat pengaruh suatu faktor terhadap status kesehatan hewan. Kita juga belajar untuk bersikap hati-hati terhadap hasil awal dengan cara memeriksa nilai p dan selang kepercayaan, serta memastikan apakah peneliti sudah menyajikan nilai yang telah disesuaikan untuk menyingkirkan gangguan dari variabel perancu. Terakhir, pemahaman mengenai ukuran dampak membantu kita menilai seberapa besar manfaat dari temuan penelitian tersebut jika kita gunakan sebagai dasar untuk mengambil keputusan medis atau merancang suatu kebijakan.

Kegiatan Belajar 5.2: Perancangan kajian epidemiologi analitis

Bagian ini sedang dalam proses penyusunan