Biostatistik Terapan: Uji Hipotesis dan Regresi pada Data Kesehatan Haji

6.1 Pemilihan Uji Statistik sesuai Karakteristik Data

Mengapa Ini Penting. Kesalahan pemilihan uji statistik adalah salah satu penyebab paling umum revisi besar-besaran pada draf tesis. Memahami karakteristik unik data haji sejak awal akan menghemat waktu revisi yang panjang di kemudian hari.

Data kesehatan haji sering memiliki karakteristik yang menuntut kehati-hatian dalam pemilihan uji statistik: ukuran sampel yang bervariasi antar-kloter, distribusi data yang seringkali tidak normal (misalnya durasi rawat di KKHI), serta struktur data berjenjang (individu jemaah tersarang dalam kloter, kloter tersarang dalam kelompok terbang embarkasi). Bab ini membahas pemilihan uji hipotesis dasar (uji-t, chi-square, uji non-parametrik) hingga model regresi yang sesuai dengan struktur data tersarang ini.

Ilustrasi. Seorang mahasiswa awalnya menggunakan uji-t sederhana untuk membandingkan lama rawat KKHI antara dua kelompok komorbiditas, tanpa menyadari datanya tersarang dalam kloter dengan kualitas pendampingan TKHI yang berbeda-beda. Setelah berkonsultasi dengan pembimbing statistik, ia beralih ke model yang memperhitungkan struktur tersarang tersebut (dibahas pada 6.3), menghasilkan kesimpulan yang lebih valid.

6.2 Regresi Logistik untuk Outcome Biner

Regresi logistik menjadi alat analisis multivariat yang paling sering digunakan untuk outcome biner yang umum dalam riset haji, seperti kejadian heat stroke (ya/tidak) atau kematian (ya/tidak), dengan variabel bebas berupa faktor individu (usia, komorbiditas) dan faktor lingkungan (suhu, kepadatan). Interpretasi odds ratio dari model ini harus disampaikan secara hati-hati kepada pembuat kebijakan yang mungkin tidak familiar dengan istilah statistik, sebuah keterampilan komunikasi yang diperdalam pada Bab 10.

6.3 Model Multilevel untuk Data Tersarang

Mengingat struktur data tersarang (individu dalam kloter), model regresi multilevel (mixed-effects model) menjadi pendekatan yang lebih tepat dibandingkan regresi konvensional, karena mampu mengakomodasi variasi antar-kloter yang tidak dapat dijelaskan oleh variabel individu semata — misalnya perbedaan kualitas pendampingan TKHI antar-kloter yang dapat memengaruhi outcome kesehatan jemaah secara sistematis.

Ilustrasi. Sebagai gambaran hipotetis: andaikan model multilevel mengungkap bahwa sebagian variasi kejadian heat exhaustion ternyata dijelaskan oleh perbedaan antar-kloter (bukan karakteristik individu jemaah semata) — temuan semacam ini akan mengarahkan perhatian kebijakan pada evaluasi kualitas pendampingan TKHI per kloter, bukan hanya profil kesehatan individu jemaah.

6.4 Analisis Survival untuk Data Waktu-ke-Kejadian

Untuk pertanyaan riset yang melibatkan waktu hingga terjadinya suatu kejadian kesehatan (misalnya waktu sejak kedatangan hingga kejadian heat stroke pertama), analisis survival (Kaplan-Meier, regresi Cox) menyediakan kerangka yang lebih informatif dibandingkan analisis biner sederhana, karena memperhitungkan durasi eksposur yang bervariasi antar-jemaah selama periode haji.

Ringkasan Poin Kunci

• Pemilihan uji statistik harus mempertimbangkan struktur data tersarang (individu dalam kloter) dan distribusi data yang sering tidak normal.
• Regresi logistik adalah alat utama untuk outcome biner, dengan interpretasi odds ratio yang perlu dikomunikasikan hati-hati kepada pembuat kebijakan.
• Model multilevel lebih tepat untuk mengakomodasi variasi antar-kloter dibandingkan regresi konvensional.
• Analisis survival memberikan informasi lebih kaya untuk pertanyaan riset bertipe waktu-ke-kejadian.

Pertanyaan Diskusi/Latihan

1. Jelaskan mengapa struktur data tersarang (individu dalam kloter) menuntut penggunaan model multilevel dibandingkan regresi konvensional.
2. Rancang model regresi logistik sederhana untuk meneliti faktor risiko kejadian heat stroke, sertakan variabel individu dan lingkungan.
3. Diskusikan kelebihan analisis survival dibandingkan analisis biner sederhana untuk meneliti waktu kejadian kesehatan selama musim haji.