Archive | September 2013

TEORI HEALTH BELIEF MODEL

Health Belief Model ini (HBM) adalah teori yang paling umum digunakan dalam pendidikan kesehatan dan promosi kesehatan (Glanz, Rimer, & Lewis, 2002; National Cancer Institute [NCI], 2003). Ini dikembangkan pada 1950-an sebagai cara untuk menjelaskan mengapa program skrining medis yang ditawarkan oleh US Public Health Service, terutama untuk TBC, tidak begitu sukses (Hoch-Baum, 1958). Konsep asli yang mendasari HBM adalah bahwa perilaku kesehatan ditentukan oleh keyakinan pribadi atau persepsi tentang penyakit dan strategi yang tersedia untuk mengurangi terjadinya penyakit (Hochbaum, 1958). Persepsi pribadi dipengaruhi oleh berbagai macam faktor yang mempengaruhi perilaku kesehatan intrapersonal. Continue reading

Advertisements

UJI KAI KUADRAT (CHI SQUARE)

Untuk menguji perbedaan proporsi dua atau lebih kelompok sample atau analisis hubungan variable katagorik dengan variable katagorik. Nilai-nilai yang perlu diperhatikan dari hasil output SPSS adalah :

a.Tabel Crosstabulation : – Tabel silang antara 2 variabel katagorik

b.Tabel Chi Square —lihat nilai P, kolom Asymp.Sig.(2-sided)

Ada beberapa jenis yang dapat digunakan dengan syarat :

1.Fisher Exact : bila tabel 2×2 didapatkan nilai E(harapan) < 5

2.Continuity Correction : bila tabel 2×2, dan tidak ada nilai E<5.

3.Pearson Chi Square: bila tabel lebih dari 2×2 (3×3, 3×2,dll).

4.Likelihood Ratio dan Linier-by-Linear Association, biasanya untuk stratifikasi dan juga mengetahui hubungan linier antara dua variable kategorik, jarang digunakan.

c. Tabel Risk Estimate : lihat nilai OR pada baris Odds Ratio, sedangkan nilai RR terlihat pada baris For Cohort

d. Penyajian data yang disajikan data:

                                    – Proporsi kedua variable menurut outcome

-Nilai OR dan 95%CI

-P value

ANALISIS DATA PENELITIAN

Untuk menjawab tujuan penelitian yang ingin dicapai dilakukan analisis data
dengan menggunakan program SPSS . Langkah-langkah analisis data dilakukan
secara bertahap, yaitu analisis univariat, analisis bivariat dan analisis multivariat.

Analisis Univariat

Analisis univariat dilakukan untuk memperoleh gambaran setiap variabel, distribusi frekuensi berbagai variabel yang diteliti baik variabel dependen maupun variabel independen. Dengan melihat distribusi frekuensi dapat diketahui deskripsi masing-masing variabel dalam penelitian .

Analisis Bivariat

Untuk mengetahui ada tidaknya hubungan antara variabel independen (katagorik) dengan variabel independen (katagorik) dapat digunakan Uji Kai Kuadrat aatau Chi Square.

Untuk mengetahui ada tidaknya hubungan variabel independen (numerik) dengan variabel dependen (katagorik) dapat digunakan uji T atau Uji Mann-Whitney U. Untuk menentukan kemaknaan hasil perhitungan statistik digunakan batas kemaknaan 0,05. Dengan demikian jika p value < 0,05 maka hasil perhitungan secara statistik bermakna dan jika p ≥ 0,05 maka hasil perhitungan statistik tidak bermakna. Untuk mengetahui besar/kekuatan hubungan antara variabel dependen dengan variabel independen digunakan Prevalence Ratio (PR) atau OR (odd ratio) dengan 95% CI (Confidence Interval).

Uji Chi Square
Untuk menguji hipotesis hubungan variabel independen (kategorik) dengan
variabel dependen (kategorik) menggunakan uji Chi Square. Proses pengujian Chi
Square adalah membandingkan frekuensi yang terjadi (observasi) dengan frekuensi harapan (ekspektasi). Bila nilai frekuensi observasi dengan nilai frekuensi harapan sama, maka dikatakan tidak ada perbedaan yang bermakna (signifikan). Sebaliknya bila nilai frekuensi harapan berbeda, maka dikatakan ada perbedaan yang bermakna.

Uji Chi Square sangat baik digunakan untuk tabel dengan derajat kebebasan
(df) yang besar. Bila tabel yang digunakan 2 x 2 dan tidak ada nilai E < 5, maka uji
yang dipakai sebaiknya Continuity Correction. Sedangkan bila tabel 2 x 2 dijumpai nilai E < 5, maka uji yang dipakai adalah Fisher Exact Test              (Hastono, 2007).
Keputusan yang diambil dari hasil Chi Square adalah:
a. Bila nilai p < α, Ho ditolak, berarti data sampel mendukung adanya perbedaan
yang bermakna (signifikan)
b. Bila nilai p ≥ α, Ho gagal di tolak, berarti data sampel tidak mendukung adanya perbedaan yang bermakna (tidak signifikan)
Hasil uji Chi Square hanya dapat menyimpulkan ada/tidaknya perbedaan proporsi antar kelompok atau dengan kata lain hanya dapat menyimpulkan
ada/tidaknya hubungan dua variabel kategorik. Dengan demikian uji Chi Square
tidak dapat menjelaskan derajat hubungan, dalam hal ini uji Chi Square tidak mengetahui kelompok mana yang memiliki risiko lebih besar dibandingkan kelompok lain (Hastono, 2007).

Uji Mann-Whitney U

Uji ini merupakan alternatif lain untuk T test parametrik yang digunakan untuk melihat tingkat kemaknaan pada data numerik yang berdistribusi tidak normal
dengan data kategorik. Untuk mengetahui suatu data berdistribusi normal atau tidak, dilakukan analisis sebagai berikut:
1. Dilihat dari grafik histogram dan kurva normal, bila bentuknya menyerupai bel
shape, berarti distribusi normal.
2. Menggunakan nilai Skewness dan standar errornya, bila nilai Skewness dibagi
standar errornya menghasilkan angka ≤ 2, maka distribusinya normal.

3. Uji Kolmogorov-Smirnov, bila hasil uji signifikan (p value ≥ 0,05) maka
distribusi normal.
(Hastono, 2007)

Analisis statistik dari uji Mann-Whitney U adalah:
a. Bila nilai p < α, Ho ditolak, berarti ada hubungan yang bermakna
b. Bila nilai p ≥ α, Ho gagal di tolak, berarti tidak ada hubungan yang bermakna

Analisis Multivariat

Analisis multivariat dapat dilakukan dengan menggunakan analisis regresi logistik
ganda. Analisis multivariat dilakukan untuk mengetahui:
1. Variabel independen mana yang mempunyai pengaruh paling besar terhadap
variabel dependen.
2. Mengetahui apakah hubungan variabel independen dengan variabel dependen dipengaruhi oleh variabel lain atau tidak.
3. Bentuk hubungan beberapa variabel independen dengan variabel dependen
apakah berhubungan langsung atau pengaruh tidak langsung.

Uji ini mampu memasukkan beberapa variabel independen dalam satu model.
Langkah pertama adalah menentukan variabel yang masuk kriteria sebagai kandidat model yaitu variabel dengan nilai p < 0,25 dan nilai 95 % CI di atas 1 atau di bawah 1. Selanjutnya dilihat kemungkinan adanya variabel interaksi pada variabel-variabel kandidat tersebut. Dari hasil pengujian ini ditetapkan model akhir dari regresi logistik ganda yang dilakukan (Hastono, 2007).

Pemilihan Kandidat Variabel Multivariat

Setelah dilakukan analisis bivariat antara masing-masing variabel independen
dengan variabel dependen kemudian dilihat besarnya nilai p yang dihasilkan. Untuk variabel yang mempunyai nilai p < 0,25 maka variabel tersebut dapat diikutsertakan ke dalam model multivariat (Hastono, 2007).

Penyusunan Model Dasar

Sebagaimana diketahui bahwa analisis multivariat bertujuan untuk mendapatkan model yang terbaik dalam menentukan determinan variabel dependen maka semua variabel kandidat dimasukkan bersama-sama. Model terbaik akan mempertimbangkan nilai signifikansi p-Wald (p < 0,05). Pemilihan model dilakukan secara hirarki dengan cara memasukkan semua variabel kandidat ke dalam model kemudian dilihat nilai p-Wald, bila ternyata nilai p-Wald tidak signifikan maka variabel dikeluarkan dari model secara berurutan dimulai dari nilai p-Wald yang paling besar (Hastono, 2007).

Pengujian Interaksi

Setelah melalui kedua tahapan tersebut selanjutnya dilakukan pemeriksaan
interaksi antara variabel-variabel yang secara substansi berinteraksi yaitu variabel yang secara teori diduga berinteraksi satu sama lain. Untuk menilai adanya interaksi menggunakan model perkalian (multiplikatif) dengan membuat variabel baru yang merupakan interaksi antara variabel independen yang satu dengan variabel independen yang lain yang masuk model. Selanjutnya variabel interaksi tersebut dimasukkan secara bersama-sama dalam analisis multivariat, kemudian dilihat nilai p-Wald dari variabel interaksi tersebut. Apabila p-Wald dari variabel interaksi tersebut ≥ 0,05 berarti tidak terjadi interaksi antara variabel maka dalam analisis selanjutnya tidak diikutsertakan dan dikeluarkan dari analisis interaksi demikian seterusnya sampai didapat adanya variabel interaksi dengan nilai p-Wald < 0,05 (Hastono, 2007).

Pengkategorian Variabel Penelitian

Variabel berasal dari bahasa Inggris , yaitu variable, artinya bervariasi. Setiap ukuran atau atribut yang bervariasi bisa dikatakan sebagai variabel.

Dalam tulisan ini variable diartikan sebagai segala sesuatu yang akan menjadi objek pengamatan penelitian. Sering pula dinyatakan variabeL penelitian itu sebagai faktor-faktor yang berperan dalam peristiwa atau gejala yang akan diteliti.

Kalau ada pertanyaan tentang apa yang akan di teliti, maka jawabannya berkenaan dengan variabel penelitian. Jadi variabel penelitian pada dasarnya adalah segala sesuatu yang berbentuk apa saja yang ditetapkan oleh peneliti untuk dipelajari sehingga diperoleh informasi tentang hal tersebut, kemudian ditarik kesimpulan. Secara teoritis variabel dapat didefiisikan sebagai atribut seseorang, atau objek yang mempunyai “Variasi” antara satu orang dengan yang lain atau satu objek dengan objek yang lain (Hatch dan Farhady,1981). Dinamakan variabel karena ada variasinya.

Berkaitan dengan proses kuantifikasi data, maka biasa digolongkan menjadi 4 jenis yaitu (a). Data Nominal, (b). Data Ordinal, (c). Data Interval dan, (d). Data ratio.  Demikianlah pula variabel, kalau dilihat dari segi ini biasa dibedakan dengan cara yang sama

  1. Variabel Nominal, yaitu variabel yang ditetapkan berdasar atas proses penggolongan; variabel ini bersifat diskret dan saling pilah (mutually exclusive) antara kategori yang satu dan kategori yang lain; contoh: jenis kelamin, status perkawinan, jenis pekerjaan
  2. Variabel Ordinal, yaitu variabel yang disusun berdasarkan atas jenjang dalam atribut tertentu. Jenjang tertinggi biasa diberi angka 1, jenjang di bawahnya diberi angka 2, lalu di bawahnya di beri angka 3 dan seterusnya. (ranking)
  3. Variabel Interval, yaitu variabel yang dihasilkan dari pengukuran, yang di dalam pengukuran itu diasaumsikan terdapat satuan (unit) pengukuran yang  sama. Contoh: variabel interval misalnya prestasi belajar, sikap terhadap sesuatu program dinyatakan dalam skor, penghasilan dan sebagainya.
  4. Variabel ratio,  adalah variabel yang dalam kuantifikasinya mempunyai nol mutlak. (Drs. Sumadi Suryabrata .Metologi Penelitian. hal. 26-27)

Didalam penelitian, terutama pada metodologi kita dihadapkan kepada bagaimana cara mengkategorikan variabel sehingga proses analisis data akan lebih mudah sesuai dengan uji statistik yang kita gunakan.  Kita ambil contoh pada analisis chi square dengan program SPSS, biasanya jika variabel independennya lebih dari dua kategori nilai OR-nya tidak keluar. Sebenarnya bisa gunakan tehnik dummy, namun bagi pemula (mahasiswa D3) hal tersebut cukup menyulitkan. Jadi variabel yang lebih dua kategori dapat disederhanakan menjadi 2 (dua) kategori.

Namun ada juga uji statistik yang variabel independennya tidak perlu dalam bentuk katagorik, misalnya uji-T. Jadi variabel independennya tidak perlu diubah menjadi katagorik, tapi bisa numerik atau skala rasio, contohnya variabel umur, lama kerja, skor sikap, dll.

Dalam pengkategorian variabel secara sederhana dapat dilakukan dengan cara :

  1. Berdasarkan referensi atau pendapat pakar
  2. Berdasarkan nilai mean dan standar deviasi
  3. Berdasarkan nilai cut of point (mean/median)

Berdasarkan referensi atau pendapat pakar

Cara ini dilakukan dengan tehnik variabel tersebut dikategorikan berdasarkan referensi terdahulu atau pendapat pakar atau hasil penelitian terdahulu. Misalnya variabel pengetahuan dapat dikategorikan berdasarkan pendapat atau teori yang dikemukakan oleh Nursalam, yaitu pengetahuan baik jika jawaban benar 76%-100%, sedang jika jawaban benar 75%-56% dan pengetahuan kurang jika jawaban benar < 56%. Variabel pendidikan berdasarkan depdiknas/sisdiknas dikategorikan menjadi pendidikan tinggi jika tamat Perguruan Tinggi, menengah jika tamat SMA/sederajat dan rendah jika tamat SD/SMP/sederajat.

Berdasarkan nilai mean dan standar deviasi

Cara ini dilakukan dengan menggunakan nilai mean dan standar deviasi sebagai cut of pointnya. Misalnya umur dapat diubah menjadi 3 kategori dengan menggunakan 1 SD , yaitu kelompok I : < mean – SD, kelompok II antara mean-SD dan mean + SD,  kelompok III > mean+SD. Kalau ingin 4 kategori gunakan 2 SD dan seterusnya.

Berdasarkan nilai cut of point

Cara ini dilakukan dengan menggunakan nilai cut of point, biasanya nilai mean atau median . Cara ini sering juga disebut dengan pengkatagorian variabel dengan metode statistik normatif. Cara ini lebih mudah terutama untuk pemula saat mereka menggunakan uji chi square. Seperti dikemukan diatas bahwa pada uji chi square dengan program SPSS, variabel independen yang kategori datanya berbentuk 3 (tiga) kategori tidak bisa keluar nilai OR (odd rasio).

Untuk itu variabel independen tersebut dapat diubah atau disederhanakan menjadi dua kategori dengan tehnik statistik normatif. Misalnya variabel pengetahuan bisa dibuat menjadi 2 (dua) kategori dengan nilai cut of point mean/median, yaitu pengetahuan cukup jika x > mean/median, dan pengetahuan kurang jika x <= mean/median. Variabel pendidikan disederhanakan menjadi : pendidikan tinggi jika tamat SMA- PT, dan pendidikan rendah jika tamat SD-SMP/sederajat. Batasan ini mungkin mengacu kepada wajib belajar 9 tahun yang dicanangkan oleh Kemendikbud ( PP 47/2008).