Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Identifikasi Variabel. Bagaimana persepsi Anda? Memang obat tersebut bermanfaat menyembuhkan flu burung Obat tersebut sebenarnya tidak bermanfaat menyembuhkan.

Presentasi serupa


Presentasi berjudul: "Identifikasi Variabel. Bagaimana persepsi Anda? Memang obat tersebut bermanfaat menyembuhkan flu burung Obat tersebut sebenarnya tidak bermanfaat menyembuhkan."— Transcript presentasi:

1 Identifikasi Variabel

2

3 Bagaimana persepsi Anda? Memang obat tersebut bermanfaat menyembuhkan flu burung Obat tersebut sebenarnya tidak bermanfaat menyembuhkan flu burung Belum dapat disimpulkan, bahwa obat tersebut bermanfaat menyembuhkan flu burung

4 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Obat 

5 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Obat 10 9 Kesimpulan: Obat mempunyai manfaat sebesar 90% menyembuhkan flu burung? 

6 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Air matang 10 9 Kesimpulan: Air matang mempunyai manfaat sebesar 90% menyembuhkan flu burung?

7 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Tak diberi obat 10 9 Kesimpulan: Tidak diberi obat pun 90% flu burung sembuh

8 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Plasebo 10 9 Kesimpulan: Dengan plasebo 90% flu burung sembuh

9 Hubungan Obat dengan Flu Burung Flu Burung Sembuh Obat 1 1 Kesimpulan: Obat mempunyai manfaat sebesar 100% menyembuhkan flu burung? 

10 Mengapa Flu Burung Bisa Sembuh? Flu Burung Sembuh Obat Kesimpulan: Ada kemungkinan faktor A, B, atau C yang menyebabkan sembuh B? A? C?

11 Variabel Flu Burung Sembuh Obat Semua kotak tersebut di atas disebut variabel B? A? C? variabel

12 Definisi Variabel  SEGALA SESUATU YG MENUNJUKKAN ADANYA VARIASI  Konsep, kata benda yang memperlihatkan variasi  Adalah kejadian, fenomena, faktor yang bervariasi atau mempunyai nilai yang berbeda (dapat diukur)

13 3. Contoh Variabel/peubah : Misalnya berat badan, jenis kelamin, umur, tingkat pendidikan, status perkawinan, jumlah anak, tinggi tanaman, indeks stomata, indeks keanekaragaman, indeks kesamaan, status pemilikan, dll. Mengubah Konsep menjadi suatu variabel dapat dilakukan dengan cara memusatkan pada aspek tertentu dari konsep itu sendiri. Misalnya konsep tentang perilaku dapat diubah menjadi pelaksanaan/ penerapan model baru. Umumnya Variabel/peubah dibagi menjadi dua jenis yakni : a.peubah kontinyu ( continous variables) dan b.peubah deskrit ( descrete variable).

14  Peubah kontinyu adalah peubah yang dapat diukur nilainya dalam jarak jangkau ( range) tertentu. Dengan demikian, peubah kontinyu paling tidak harus mempunyai nilai jenjang( Ranking ) ; nilai yang lebih besar berarti memiliki kualitas yang lebih besar. Contoh peubah ini adalah berat, tinggi, luas, pendapatan, diameter, suhu, dan lain sebagainya.  Peubah deskrit adalah peubah yang nilainya tidak dapat dinyatakan dalam bentuk ukuran, tetapi bersifat dichotomis.Misalnya jenis kelamin, jenis pekerjaan, golongan tingkat pendidikan, dan lainnya.

15 Hubungan Antar Variabel (Jenis Variabel) Variabel bebas (independent variable, antecedent variable, experiential variable) Variabel tergantung (dependent variable, manifestational variable) Confounding variable (confounder, variabel perancu) Variabel antara Variabel luar

16  Di dalam kegiatan penelitian kita pada umumnya memiliki tujuan mencari hubungan antara peubah. Hubungan yang paling dasar adalah hubungan antara 2 peubah : peubah pengaruh ( independent variables) dengan peubah terpengaruh ( dependent variable). Untuk itu diperlukan suatu penelaahan bermacam kemungkinan hubungan antar peubah-peubah tersebut. Secara garis besar ada 3 jenis hubungan antar peubah yakni : - Hubungan Simetris - Hubungan timbal balik ( Resiprokal) - Hubungan Asimetris

17  Hubungan Simetris Peubah yang satu tidak disebabkan atau dipengaruhi oleh peubah yang lainnya.Mis. Jantung berdenyutbersama- sama dengan keluarnya keringat akibat cemas,Tinggi badan - berat badan.  Hubungan timbal balik Peubah yang satu dapat menjadi sebab dan juga akibat dari peubah lainnya. Mis.Penanaman Modal meningkatkan keuntungan dan keuntungan akan meningkatkan modal, malnutrisi - malabsorbsi.  Hubungan Asimetris Peubah yang satu mempengaruhi peubah yang lainnya, dibedakan atas : - Hubungan antara Stimulus-Respon - Hubungan antara disposisi dan respons - Hubungan antara aksi - reaksi

18 Di dalam bentuk hubungan Asimetris, kerumitan hubungan antar peubah dapat dibedakan atas hubungan asimetris 2 peubah dan lebih dari 2 peubah.Bentuk hubungan asimetris inilah yang paling banyak dianalisis di dalam kegiatan penelitian biologi. Hubungan itu dapat berupa hubungan antara dua peubah ( bivariat) atau antara lebih dari dua peubah ( multivariat), biasanya antara satu peubah terpengaruh dengan beberapa peubah bebas ( peubah perlakuan). peubah bebas  Peubah terikat X Y pola hubungan bivariat

19 Peubah bebas X1 Peubah bebas X2 Peubah terikat Peubah bebas X3 Y Peubah bebas X4 Pola hubungan multivariat Ada beberapa cara untuk menguji hubungan antara dua peubah diantaranya Tabulasi Silang, Kai Kuadrat, Korelasi-Regresi.

20 Di dalam kegiatan eksperimental pengaruh peubah yang tidak dikehendaki harus dikontrol baik melalui sistem analisis statistik maupun cara penentuan sampel.Dengan demikian peneliti dapat mengamati hubungan antara dua peubah yang sedang di telaah tanpa gangguan dari peubah-peubah tersebut. Peneliti dapat menetralisir pengaruh peubah luar dengan memasukannya sebagai peubah kontrol atau peubah penguji ke dalam analisisnya. Pemilihan peubah- peubah penelitian yang dikontrol di dasarkan atas teori dan hasil empiris dari penelitian lain.

21 Variabel Bebas Suatu karakteristik yang mempengaruhi variabel tergantung di area penelitian yang dikerjakan (menyebabkan timbulnya variabel tergantung atau menyebabkan variabel tergantung menjadi bervariasi) Tidak dipengaruhi oleh variabel tergantung Last JM. A dictionary of epidemiology. New York: Oxford University Press, 1995

22 Contoh, variabel bebas Jumlah virus diare yang masuk tubuh Derajat keparahan diare Variabel bebas Catatan: Menurut hipotesis: jumlah virus diare yang masuk tubuh akan mempengaruhi derajat keparahan diare, dan tidak sebaliknya derajat keparahan diare akan mempengaruhi jumlah virus diare yang masuk tubuh

23 Variabel Tergantung A variable the value of which is dependent on the effect of other variable(s) – in the relationship under study A manifestation or outcome whose variation we seek to explain or account for by the influence of independent variables Suatu variabel yang nilainya bergantung pada variabel lain pada penelitian yang dilakukan Last JM. A dictionary of epidemiology. New York: Oxford University Press, 1995

24 Contoh, variabel tergantung Jumlah virus diare yang masuk tubuh Derajat keparahan diare Variabel tergantung Catatan: Dalam penelitian ini akan dibuktikan bahwa derajat keparahan diare bergantung pada jumlah virus diare yang masuk tubuh

25 Variabel tergantung sebagai variabel bebas? Penelitian A Penelitian B ObesitasDislipidemia Penyakit jantung koroner Variabel bebas Variabel tergantung

26 Confounding variable, variabel antara, dan variabel luar Variabel bebasVariabel tergantungVariabel antara Confounding variable Variabel luar CD B A

27 Confounding variable, contoh Minum kopi Penyakit jantung koroner Merokok + + ? Perokok lebih banyak minum kopi dibandingkan dengan bukan perokok Perokok lebih banyak yang menderita penyakit jantung koroner Tanpa variabel ‘merokok’ ada hubungan antara ‘minum kopi’ dengan ‘penyakit jantung koroner’  benarkah ada hubungan? (+)?

28 Confounding variable, contoh Makan permen Karies gigi Gosok gigi + + ? (-)? Tidak ada hubungan antara ‘makan permen’ dengan ‘karies gigi’, karena kelompok ‘makan permen’ banyak yang ‘gosok gigi’

29 Confounding by indication, contoh Pemberian plasma Prognosis SembuhMeninggal Diberi plasma20 (33.3%)25 (62.5%)45 (45%) Tidak diberi40 (66.7%)15 (37.5%)55 (55%) 60 (100%)40 (100%)100 X2 = df = 1 p = 0.008

30 Confounding by indication, contoh Pemberian plasma Prognosis Shock berat Shock berulang Shock lama Shock + pendarahan Variabel bebas Variabel tergantung Confounding

31 Counfounding harus dikontrol Identifikasi (memerlukan studi literatur yang baik) Singkirkan

32 Counfounding harus dikontrol Studi literatur baik Kerangka teoretis baik Kerangka konseptual baik Hubungan antar variabel benar

33 Counfounding harus dikontrol Singkirkan counfounding Dengan desain (by design) Dengan analisis statistik (by statistical analysis) 1 2

34 Counfounding harus dikontrol Menyingkirkan dengan desain Restriksi (membuang, dengan kriteria inklusi atau eksklusi) Matching (mencocokkan, menyamakan) Randomisasi (pengacakan)

35 Restriksi Minum kopi Merokok Penyakit jantung koroner Confounding Variabel bebas Variabel tergantung Dimasukkan ke dalam kriteria inklusi: bukan perokok

36 Kriteria inklusi - eksklusi Populasi terjangkau Sampel Kriteria inklusi Kriteria eksklusi Subjek eligible

37 Kriteria inklusi - eksklusi Kriteria inklusi bukan kebalikan eksklusi Contoh (salah): Kriteria inklusi: Minum kopi Bersedia ikut penelitian Kriteria eksklusi: Tidak minum kopi Tidak bersedia ikut penelitian

38 Kelebihan dan kekurangan restriksi Sangat praktis, karena pengaruh merokok (pada kelompok yang diteliti maupun kontrol) dapat dihilangkan dalam penelitian  kalau ada hubungan antara minum kopi dengan penyakit jantung pasti bukan karena merokok Kelemahan: sulit memperoleh subjek penelitian (banyak peminum kopi juga merokok), generalisasi sulit (di alam nyata kebanyakan peminum kopi juga perokok)

39 Matching Mencocokkan, menyamakan Frequency matching Individual matching (lebih baik!) 1 2

40 Frequency matching, contoh Pemilihan subjek pada kelompok yang diteliti dan kontrol dibatasi oleh faktor yang diduga sebagai confounding yang nyata Contoh: Penelitian pengaruh pil KB terhadap agregasi trombosit pemilihan subjek dibatasi oleh umur, status reproduksi, dan jumlah anak (confounding)  kriteria inklusi Catatan: cara ini terlalu longgar, kurang dapat mengontrol confounding

41 Individual matching, contoh Kelompok yang ditelitiKelompok kontrol Minum kopi + merokok Tak minum kopi + merokok Minum kopi + tidak merokokTak minum kopi + tidak merokok Minum kopi + merokokTak minum kopi + merokok Minum kopiPenyakit jantung koroner Merokok dst

42 Individual matching Kelebihan: Karena telah disamakan  tidak berperan dalam analisis Kekurangan: Bila banyak confounding  banyak matching  sulit cari kontrol Over-matching (matching bukan untuk confounding)  sulit cari kontrol + menyebabkan distorsi hasil penelitian

43 Randomisasi Cara amat efektif untuk menghilangkan pengaruh confounding Confounding terbagi seimbang antara kelompok penelitian Berlaku juga bila confounding tidak diketahui sebelum penelitian dilakukan Syarat: Randomisasi dilakukan dengan benar Jumlah subjek cukup besar, misal > 100 per kelompok

44 Randomisasi, contoh Populasi target Populasi terjangkau Sampel Orang dewasa (jumlah tidak terbatas) Orang dewasa di kota Jogja, Januari 2006-Desember 2006 (jumlah = ) Random Disebut random sampling Orang dewasa di kota Jogja, Januari 2006-Desember 2006 (jumlah = 80) Minum kopiTidak minum kopi

45 Randomisasi, keuntungan Minum kopiPenyakit jantung Merokok Makan mentimun Confounding diketahui sebelumnya Confounding tidak diketahui sebelumnya Variabel bebas Variabel tergantung Catatan: walaupun tidak diketahui sebelumnya, pengaruh confounding ‘makan mentimun’ telah disamakan dengan randomisasi

46 Counfounding harus dikontrol Singkirkan counfounding Dengan desain (by design) Dengan analisis statistik (by statistical analysis) 1 2

47 Mengontrol confounding dengan analisis statistik Stratifikasi Analisis multivariat 1 2

48 Mengontrol confounding dengan analisis statistik Penyakit PenyakitJumlahRatio Odds jantung (+)jantung (-) A.Semua subjek Minum kopi x36 / 18x26 Tak kopi183654= 3,08 Jumlah B. Perokok Minum kopi x20 / 6x15 Tak kopi62026= 4.89 Jumlah C. Bukan perokok Minum kopi x16 / 12x11 Tak kopi121628= 2,18 Jumlah Rasio Odds Mantel-Haenszel = (22x20/63+18x16/57) : (6x15/63+12x11/57) = 3,22

49 Analisis multivariat Variabel bebas-1 Variabel bebas-2 Variabel bebas-3 Variabel tergantung 1 Variabel tergantung-1 Variabel tergantung-2 Variabel tergantung-3 Variabel bebas 2

50 Analisis multivariat Usia ibu Paritas Berat ibu sebelum hamil Berat lahir bayi 1 Nilai Bahasa Inggris Nilai Matematika Nilai IPA Nilai tes IQ 2

51 Analisis multivariat, regresi multipel Usia ibu (dalam tahun) Paritas (dalam angka) Berat ibu sebelum hamil (dalam kg) Berat lahir bayi 1 (dalam gram)  numerik/ kontinu Y = a + b 1 x 1 + b 2 x 2 + b 3 x 3 Y = berat lahir bayi (gram) a = konstanta b1, b2, b3 = koefisien regresi tiap variabel X1= usia ibu (tahun) X2 = paritas X3 = berat badan ibu sebelum hamil (kg)

52 Analisis multivariat, regresi logistik Usia ibu (dalam tahun, muda / tua) Paritas (dalam angka, primi / multi) Berat ibu sebelum hamil (dalam kg, normal/ rendah) Berat lahir bayi 2 (dalam BBLR dan bukan BBLR  skala ‘biner’ / dikotom

53 Pengukuran skala variabel

54 Skala variabel Skala kategoris: Skala nominal dan ordinal Skala numerik: 1.Skala rasio dan interval 2.Skala kontinu dan diskret

55 Skala nominal Nama, label, tidak mengandung informasi peringkat Dikotom: Jawa – luar Jawa (suku) Laki-laki – perempuan (jenis kelamin) Polikotom: Islam, Hindu, Kristen, Budha (agama) Jawa, Batak, Sunda, Minangkabau, Bali (suku) Petani, Pegawai Negeri, Dagang (pekerjaan)

56 Skala ordinal Mengandung informasi peringkat, jarak antar 2 peringkat tidak sama atau tidak terukur Contoh: Derajat keparahan sakit: berat-sedang-ringan Status gizi: baik-kurang-buruk Sosial ekonomi: tinggi-menengah-rendah

57 Skala interval Mengandung informasi peringkat, dapat diukur, tidak mempunyai nilai nol alami Contoh: Suhu badan Nol Celcius tidak sama dengan nol Fahrenheit (arbriter, ditentukan manusia, tidak alami)

58 Skala rasio Mengandung informasi peringkat, dapat diukur, mempunyai nilai nol alami Contoh: Jumlah anak Panjang badan Berat badan Lama belajar

59 Perhatian Tidak semua yang berupa angka mesti skala interval atau rasio Contoh: laki-laki = 1 dan perempuan = 2 (nominal) ringan = 1, sedang = 2 dan berat = 3 (ordinal) sangat setuju = 4, setuju = 3, tidak setuju = 2, dan sangat tidak setuju = 1 (ordinal)

60 Perhatian Skala interval dan rasio dapat dikalikan, dibagi, dikurangi atau ditambah Contoh: Berat badan A = 75 kg, B = 50 kg, maka berat badan B = 2/3 berat badan A Bukan: Laki-laki = 1 dan perempuan = 2, maka laki-laki = ½ perempuan

61 Membuat definisi operasional

62 Poin definisi operasional (DO) DO Karakteristik dasar DO Variabel

63 Karakteristik dasar Tidak selalu variabel penelitian Berguna untuk membandingkan hasil dan kesimpulan penelitian yang dilakukan oleh peneliti dengan peneliti lain dengan topik yang sejenis Membantu seseorang untuk memutuskan apakah hasil penelitian bisa dipakai di tempatnya atau tidak?

64 Karakteristik dasar, contoh Jenis kelamin Umur Tingkat pendidikan Pekerjaan Situasi kebersihan lingkungan Situasi ekonomi setempat Dsb.

65 Karakteristik dasar, contoh Seseorang pembaca membandingkan hasil penelitian tentang obat X pada sekelompok penderita DM Peneliti A: obat DM kurang berefek Peneliti B: jelas berefek Ternyata pada karakteristik dasar terlihat bahwa kelompok umur pada penelitian A lebih tua dibanding B  umur=variabel?

66 Karakteristik dasar, contoh Seseorang akan menggunakan hasil penelitian penggunaan obat infeksi kulit yang pernah diteliti untuk pasien di kliniknya Dengan melihat karakteristik dasar ia tahu bahwa hasil penelitian itu mungkin tidak tepat digunakan di kliniknya, karena sebagian besar subjek penelitian itu ras Hispanic, sedangkan pasiennya orang Melayu Penelitian lain membuktikan bahwa kulit Hispanic dan Melayu berbeda

67 Definisi operasional variabel Definisi operasional tidak selalu sama dengan definisi ‘menurut kamus’ (bahkan pada umumnya berbeda!) Mempermudah pembaca mengerti apa yang dimaksud dengan variabel itu secara spesifik dalam penelitian itu Satu variabel bisa didefinisikan berbeda-beda dalam satu penelitian yang sama atau pada penelitian berbeda Perlu dinyatakan skala pengukurannya!

68 Contoh Berat badan lahir (kamus): Berat badan lahir (definisi operasional variabel suatu penelitian): Kelompok berat badan lahir yang dibedakan menjadi: berat badan lahir < 1000 g, g, g, g, dan  4000 g Berat badan lahir adalah berat badan bayi baru lahir yang diukur maksimal 2 jam setelah lahir

69 Tugas 1.Buat kerangka teoretis dari review literatur sesuai topik Anda 2.Identifikasi semua variabel penelitian Anda dan susun dalam kerangka konseptual yang benar (dan logis) 3.Tentukan hubungan variabel Anda (bebas, tergantung, antara, luar, confounding) 4.Buat definisi operasional (variabel dan karakteristik dasar) 5.Tentukan skala pengukuran variabel Anda

70 Terima kasih semoga bermanfaat


Download ppt "Identifikasi Variabel. Bagaimana persepsi Anda? Memang obat tersebut bermanfaat menyembuhkan flu burung Obat tersebut sebenarnya tidak bermanfaat menyembuhkan."

Presentasi serupa


Iklan oleh Google