Odds Ratio

Odds rasio banyak digunakan pada ilmu epidemiologi. Sebagian riset epidemiologi ditujukan untuk mengetahui kekuatan pengaruh suatu variabel paparan (exposure) terhadap risiko penyakit (outcome). Odds Rasio (OR) dan Risiko Relatif (RR) menunjukkan besaran kekuatan hubungan paparan-penyakit. Risiko Relatif merupakan rasio antara risiko terkena penyakit pada kelompok yang terpapar (exposure) dan risiko terkena penyakit pada kelompok yang tidak terpapar (non-exposed).

Berikut contoh analisis dengan SPSS.

Uji signifikansi menggunakan nilai Chi-Square, dimana pada tabel di atas menunjukkan bahwa terdapat pengaruh yang signifikan. Hal ini dapat diketahui dari nilai Pearson Chi-Square dengan signifikansi 0,001 sehingga <0,05. Karena signifikansi <0,05 maka dapat disimpulkan terdapat pengaruh yang signifikan antara pendapatan dengan status gizi.

Uji Pearson Chi-Square digunakan dengan syarat jika terdapat kurang dari 20% cells mempunyai expected count kurang dari 5. Sedangkan jika expected count terdapat lebih dari 20% cell kurang dari 5 maka digunakan nilai Fisher’s Exact Test.

Nilai OR sebesar 3,532 yang berarti bahwa risiko gizi normal pada orang berpenghasilan 1-2 juta/bulan lebih besar 3,532 dibandingkan orang yang berpenghasilan >2 juta/bulan. Untuk mengetahui apakah nilai OR ini signifikan, maka kita perlu melihat nilai 95% Confidence Interval (CI), dimana nilai berkisar antara 1,643-7,596. Kriteria yang digunakan adalah jika nilai CI tidak memuat nilai nol maka OR dinyatakan bermakna. Hasil tersebut menunjukkan bahwa CI tidak memuat angka nol sehingga dapat disimpulkan nilai OR signifikan atau bermakna.

 

Konsultasi teknik analisis data

Lagi, datang kepada saya seorang klien yang binggung bagaimana cara membuktikan hipotesisnya. Si Fulan ini sudah berusaha untuk menganalisis data sendiri, akan tetapi dianggap salah oleh pembimbingnya. Membuktikan hipotesis sebenarnya lebih mudah dibandingkan belum memiliki hipotesis. Setelah kami berdiskusi, akhirnya saya berikan solusi atas permasalahannya.

Jika Dalam rangkaian proses menganalisis data, harus ditelusuri terlebih dahulu dari jenis data dan hipotesisnya. Kita mengenal jenis data: nominal, ordinal, interval dan rasio, sedangkan jenis hipotesis kita memiliki: deskriptif, komparatif serta asosiatif. Untuk hipotesis akan diperinci lagi menjadi hipotesis satu sisi (tail) ataupun dua sisi.

.
Menganalisis data memang gampang-gampang susah. Untuk melakukannya diperlukan pengetahuan tentang statistik, metodologi penelitian dan juga konteks teori/penelitian yang dilakukan. Tidak jarang, selama saya memberikan konsultasi harus menelusuri terlebih dahulu dengan membaca latar belakang masalah, kemudian perumusan masalah hingga tujuan penelitian. Hal ini karena mereka belum menyertakan hipotesis dalam proposal penelitiannya.

Bahkan menurut pengalaman saya mengadakan pelatihan, peserta tidak dapat langsung menerapkan rumus meski baru saja diberikan contohnya. Hal ini dikarenakan memang diperlukan latihan juga, disamping pengetahuan yang memadai.

Structural Equation Modelling, Masih Bau Kencur?

Ketika saya membaca artikel yang ditulis Cheung dan Lee (2001) dengan judul "an integrative model of consumer trust in internet shopping", saya tertarik dengan kata-kata di dalamnya. Pada bagian data analysis, penulis mengutip pendapat dari jurnal lainya yang menyatakan bahwa SEM masih kanak-kanak sehingga model regresi berganda yang digunakan dalam penelitia. Berikut saya kutipkan lagi tulisan tersebut.

"Since the use of structural equation modeling techniques for analyzing theoretical models containing moderators is still very much in its infancy (Jaccard & Wan 1996), standard multiple regression techniques was applied instead. Before examining the moderating effect of the research model, overall model test was conducted first."

Setelah saya telusuri pada bagian daftar pustaka, judul buku yang diacu dalam jurnal tersebut adalah:

Jaccard, J & Wan, CK (1996), Interaction Effect in Multiple Regression, Sage Publications.

Kutipan tersebut cukup  menarik perhatian saya karena baru saja saya temukan pendapat yang masih meragukan aplikasi SEM. Padahal ketika saya pelajari, SEM adalah aplikasi yang dikembangkan untuk model rumit yang tidak dapat diselesaikan dalam analisis regresi berganda.

Ketika saya lihat tahun terbitnya buku tersebut, segera saya dapat analisis bahwa memang tahun itu, teknologi komputer belum berkembang seperti sekarang. Dimana software untuk menganalisis SEM mungkin masih dikembangkan. Lain halnya pada saat tulisan ini dibuat (2012), program software sudah sangat maju dan terus menerus disempurnakan. Saat ini di laptop saya sudah terinstal program aplikasi untuk SEM seperti AMOS versi 18 ataupun Lisrel versi 8.80. Melihat dari nomor versi yang tidak muda lagi (kanak-kanak), untuk konteks sekarang, relevankan pendapat tersebut?