BAB II

STATISTIK DAN UKURAN DALAM EPIDEMIOLOGI

2.1 Insidensi

Insidensi adalah banyaknya subyek yang mengalami kejadian baru atau mendapatkan

penyakit baru dalam suatu interval waktu tertentu. Jenis ukuran insidensi yang sering dipakai

adalah insidensi kumulatif IK dan tingkat insidensi (incidence rate) I. IK dirumuskan sebagai:

IK= dN 0

(2.1)

dengan IK adalah insidensi kumulatif; d adalah banyaknya subyek yangmengalami kejadian

tertentu atau menderita penyakit tertentu dalam suatu interval waktu tertentu; N0 adalah

banyaknya subyek yang belum mengalami kejadian tertentu atau menderita penyakit tertentu

pada awal interval waktu tersebut.

Jenis insidensi yang lain berdasarkan pada pengertian tingkat (rate), yaitu banyaknya

perubahan kuantitatif yang terjadi yang terkait dengan waktu. Insidensi (Incidence rate)

dirumuskan sebagai:

I= dNT

(2.2)

dengan I adalah insidensi; d adalah banyaknya subyek yang mengalami kejadian tertentu atau

menderita penyakit tertentu dalam suatu interval waktu tertentu; NT adalah total waktu

subyek yang belum mengalami kejadian tertentu atau menderita penyakit tertentu dalam

interval waktu tersebut (sering juga disebut sebagai person-time atau risk-time).

Untuk interval yang semakin sempit, probabilitas kondisional untuk mendapatkan suatu

kejadian menjadi semakin kecil pula, dan konvergen ke hazard rate (force of mortality).

¿ limh→ 0

P ( t ≤ T<t +h|T ≥t )h

(2.3)

Penduga untuk adalah

❑̂= DY

(2.4)

dengan D adalah banyaknya kejadian, Y adalah total waktu observasi.

Contoh:

Data: rectal.6

Terdapat data kanker rektum di Amerika (tahun 1969 – 1971) yang diklasifikasikan

berdasarkan gender, usia, dan status pernikahan. Data tersebut meliputi warga kulit putih dan

ras African-Americans, yang berusia antara 35 sampai 64 tahun. Data dibagi ke dalam 3

kelompok usia yaitu 35 – 44, 45 – 54, dan 55 – 64. Pada contoh berikut, digunakan data

penderita kanker rektum berjenis kelamin laki-laki. Berikut keterangan dari variabel-

variabelnya:

age: kelompok usia

white: person-years populasi warga kulit putih yang beresiko

black: person-years populasi warga ras African-Americans yang beresiko

wcases: jumlah kejadian pada warga kulit putih

bcases: jumlah kejadian pada warga ras African-Americans

marital: status pernikahan (1 = belum menikah, 2 = menikah, 3 = berpisah, 4 =

bercerai, 5 = duda).

a. Menggunakan software R

Misalnya kita ingin mengetahui insidensi penyakit kanker rektum tanpa memperhatikan usia,

ras, dan status pernikahannya. Pertama, copy data rectal.6 ke R, misal diberi nama rectal,

kemudian hitung insidensinya menggunakan persamaan (2.4).

> rectal=read.delim("clipboard")> use(rectal)> i1=sum(wcases,bcases)/sum(white,black)> i1[1] 0.0001965155

Pada hasil di atas, diperoleh hasil yang sangat kecil sehingga untuk mempermudah

interpretasi, hasil tersebut dikalikan konstanta, misal 10000.

> i1=i1*10000> i1[1] 1.965155

Diperoleh insidensi sebesar 1,96 ≈ 2 yang berarti terdapat 2 kejadian kanker rektum tiap

10000 orang laki-laki.

Jika ingin diketahui insidensi berdasarkan usia, ras, dan status pernikahannya, maka dapat

dibuat tabel insidensi. Pertama, kita bentuk data baru yang terdiri dari variabel age, person-

years, cases, race, dan marital, dimana:

o variabel person-years berisi gabungan variabel white dan black.

o variabel cases berisi gabungan variabel wcases dan bcases.

o variabel race berisi kode untuk ras putih dan hitam, dimana kode 1 untuk white dan kode

2 untuk black.

o variabel age dan marital berisi data yang sama tetapi diulang 2 kali.

_________________________________________________________________________________ Untuk mengulang/mereplikasi suatu nilai, dapat digunakan fungsi rep.

rep(x, ...)

Argumen yang diperlukan untuk fungsi rep adalah nilai yang akan diulang dan jumlah perulangannya.

Contoh:Mengulang angka 1 sebanyak 5 kali

> rep(1,5)[1] 1 1 1 1 1

Mengulang angka 2, 3, dan 4 sebanyak 3 kali> rep(c(2,3,4),3)[1] 2 3 4 2 3 4 2 3 4

_________________________________________________________________________________

Misal, data baru yang akan dibentuk diberi nama rectal2, maka,

> rectal2=data.frame(age=rep(age,2),py=c(white,black),cases=c(wcases,bcases),race=c(rep(1,15),rep(2,15)),marital=rep(marital,2))

Hasilnya adalah

> rectal2 age py cases race marital1 35 - 44 74457 3 1 12 35 - 44 923669 33 1 23 35 - 44 12317 1 1 34 35 - 44 42984 2 1 45 35 - 44 4787 1 1 56 45 - 54 61665 17 1 1

Selanjutnya dengan menggunakan fungsi tapply dihitung jumlah person-years dan kasus

berdasarkan kombinasi level faktor pada age, race, dan marital. Misal untuk person-years

dinamakan a, dan untuk kasus dinamakan b.

> a=tapply(py,rectal2[,c(1,4,5)],sum)> b=tapply(cases,rectal2[,c(1,4,5)],sum)

___________________________________________________________________________

Fungsi tapply digunakan untuk mengaplikaskan suatu fungsi pada suatu data yang menghasilkan kelompok-kelompok data berdasarkan kombinasi dari beberapa level faktor. Secara umum, fungsi tapply memiliki perintah sebagai berikut:

tapply(X, INDEX, FUN = NULL, ..., simplify = TRUE)

Keterangan:X: biasanya berupa vektor

INDEX: faktor-faktor yang akan dikombinasikan

FUN: fungsi yang akan diaplikasikan. Jika fungsi berupa +, %*%, dan lain-lain, maka fungsi tersebut harus dalam tanda kutip.

simplify: jika FALSE, tapply akan menghasilkan array dengan tipe list. Jika TRUE (default) dan FUN yang digunakan mengahasilkan skalar, tapply akan menghasilkan array dengan tipe skalar.

___________________________________________________________________________

Setelah diperoleh jumlah person-years dan kasus untuk masing-masing kombinasi level

faktor, insidensi dapat dihitung, sama seperti perhitungan sebelumnya yaitu dengan membagi

jumlah kasus dengan jumlah person-years. Agar nilai insidensi tidak terlalu kecil maka

insidensi dikalikan suatu konstanta, misal 10000.

> 10000*b/a, , marital = 1

raceage 1 2 35 - 44 0.4029171 0.8081461 45 - 54 2.7568313 1.3211785 55 - 64 6.3031146 11.1308994

, , marital = 2

raceage 1 2 35 - 44 0.3572708 0.6259859 45 - 54 1.5711984 1.8508481 55 - 64 4.2818821 3.8778299

, , marital = 3

raceage 1 2 35 - 44 0.811886 1.021659 45 - 54 1.629195 1.115200 55 - 64 2.362670 3.614022

, , marital = 4

raceage 1 2 35 - 44 0.4652894 1.189485 45 - 54 2.4136569 1.157006 55 - 64 5.1645047 3.467406

, , marital = 5

raceage 1 2 35 - 44 2.088991 5.104645 45 - 54 2.195872 2.143163 55 - 64 5.444646 4.222973

Pada hasil di atas, terlihat nilai-nilai insidensi untuk berbagai kriteria. Misalnya, dapat dilihat

insidensi tertinggi, sebanyak 11,13 ≈ 11 kejadian kanker rektum tiap 10000 orang, terdapat

pada laki-laki yang belum menikah (marital = 1), dari ras hitam atau African-Americans

(race = 2), dan berusia antara 55 – 64 tahun. Insidensi terendah, sebanyak 0,357 ≈ 4 kejadian

kanker rektum tiap 100000 orang, terdapat pada laki-laki yang menikah (marital = 2), dari ras

putih (race = 1), dan berusia antara 35 – 44 tahun, dan sebagainya.

2.2 Faktor Resiko

Beberapa ukuran yang dapat digunakan untuk melihat faktor resiko diantaranya:

• Selisih resiko (risk difference (RD))

• Rasio resiko (risk ratio (RR))

• Odds ratio (OR)

Inferensi untuk RD, RR dan OR

Untuk desain cohort, semua ukuran faktor resiko RD, RR dan OR dapat diestimasi dari data

dan dapat diinterpretasikan. Data dan model probabilitasnya dapat digambarkan seperti pada

tabel berikut:

Tabel 2.1 Data dan model probabilitas untuk desain cohort(a) Data pada tabel 2 x 2 (b) Model probabilitas

ED

ED

1 2 1 2

1 n11 n12 N1 1 π1 1-π1 1

2 n21 n22 N2 2 π2 1-π2 1

Keterangan:

E: variabel paparan (exposure) atau faktor resiko yang diteliti (1 = terpapar, 2 = tidak

terpapar).

D: outcome (1 = ada disease atau outcome yang menjadi perhatian, 2 = tidak ada

disease).

π1 : probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya sudah

mendapatkan paparan. π1 = P(E = 1 | D = 1).

π2 : probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya tidak

mendapatkan paparan. π2 = P(E = 2 | D = 1).

n11: jumlah subyek yang mendapatkan disease diketahui sebelumnya sudah mendapatkan

paparan.

n12: jumlah subyek yang tidak mendapatkan disease diketahui sebelumnya sudah

mendapatkan paparan.

n21: jumlah subyek yang mendapatkan disease diketahui sebelumnya tidak mendapatkan

paparan.

n22: jumlah subyek yang tidak mendapatkan disease diketahui sebelumnya tidak

mendapatkan paparan.

Estimasi titik untuk π1 dan π2 adalah

π̂1=n11/ N1 (2.5)

π̂2=n21 / N2 (2.6)

Estimasi titik untuk RD adalah

R̂D= π̂1− π̂2=n11/ N1−n21/ N2 (2.7)

Estimasi titik untuk RR adalah

R̂R=π̂1

π̂2

=n11 N 2

n21 N1(2.8)

Estimasi titik untuk OR adalah

¿̂=π̂1 (1− π̂1 )π̂2 (1− π̂2 )

=n11 n22

n12n21

(2.9)

Contoh

Data: lowbwt.2

Diperoleh data ibu yang melahirkan di Rumah Sakit San Francisco Moffitt, Universitas

California antara tahun 1980 sampai 1990. Data tersebut meliputi riwayat merokok ibu,

ras/etnik dari ibu, serta berat badan bayi yang dilahirkan. Jika berat bayi lahir kurang dari

2500 gr maka disebut sebagai bayi dengan berat lahir rendah, jika lebih dari atau sama

dengan 2500 gr maka disebut sebagai bayi dengan berat lahir normal. Berikut keterangan

variabel-variabel dari data:

weight:berat badan bayi ketika lahir (1 = kurang dari 2500 gr, 0 = lainnya)

smoke: riwayat merokok dari ibu (1 = merokok, 0 = tidak merokok)

race: ras dari ibu (1 = white, 2 = African-American, 3 = Hispanic, 4 = Asian)

Data lowbwt.2 terdiri dari 2 sheet yaitu sheet asli dan ringkasan. Sheet asli berisi data yang

belum diringkas, sedangkan sheet ringkasan berisi data yang sudah diringkas.

1. Menghitung OR

a. Menggunakan software R

Dalam library epicalc terdapat fungsi yang dapat digunakan untuk menghitung OR yaitu

fungsi cc. Fungsi cc dapat digunakan untuk data yang belum diringkas maupun yang sudah

diringkas ke dalam tabel 2 x 2, perintahnya adalah berikut:

cc(outcome, exposure, cctable = NULL)

Sebagai contoh, berikut akan dihitung OR berdasarkan data lowbwt.2 untuk mengetahui

besar resiko seorang ibu yang merokok akan melahirkan bayi dengan berat lahir rendah,

dibandingkan dengan resiko ibu yang tidak merokok.

Karena data masih dalam format Excel, maka terlebih dahulu data dipindahkan ke R, misal

diberi nama lowbwt1 untuk data dari sheet asli.

> lowbwt1=read.delim("clipboard")

> lowbwt1

weight smoke race

1 >=2500g Nonsmokers White

2 >=2500g Nonsmokers White

3 >=2500g Nonsmokers White

4 >=2500g Nonsmokers White

5 >=2500g Nonsmokers White

Sebelum menggunakan fungsi cc, pastikan library epicalc telah diinstal dan di-load. Variabel

paparan/exposure yang digunakan adalah variabel smoke dan variabel disease/outcome

adalah weight. Berikut perintahnya:

> use(lowbwt1)> cc(weight,smoke)

Hasilnya adalah sebagai berikut:

smokeweight Nonsmokers Smokers Total <2500g 375 170 545 >=2500g 7068 1246 8314 Total 7443 1416 8859

OR = 0.39 95% CI = 0.32 0.47 Chi-squared = 100.03 , 1 d.f. , P value = 0 Fisher's exact test (2-sided) P value = 0

Pada output di atas, terlihat bahwa posisi baris disease (<2500g) dan non disease (>=2500g)

terbalik. Baris disease seharusnya di bawah dan baris non disease seharusnya di atas. Hal ini

mengakibatkan interpretasi OR menjadi terbalik. Oleh karena itu, sebelum data lowbwt1

dianalisis menggunakan cc, perlu dilakukan penyesuaian data sebagai berikut.

Pertama-tama, data lowbwt1 diringkas ke dalam bentuk tabel kontingensi 2 x 2 menggunakan

fungsi tapply, misal diberi nama low1.

> low1=tapply(race,lowbwt1[,1:2],length)

Setelah terbentuk tabel 2 x 2, baris disease diletakkan di bawah baris non disease.

> low1=low1[c(2,1),]

Sehingga diperoleh ringkasan data sebagai berikut:

> low1 Nonsmokers Smokers>=2500g 7068 1246<2500g 375 170

Data low1 digunakan untuk analisis selanjutnya.

Karena input yang dimiliki berupa tabel ringkasan, maka pada fungsi cc, argumen untuk

outcome dan exposure diisi dengan NULL dan argumen cctable diisi dengan nama tabel

ringkasan yang sudah ada, yaitu low1, berikut perintahnya:

> cc(outcome=NULL, exposure=NULL, cctable=low1)

Nonsmokers Smokers Total>=2500g 7068 1246 8314<2500g 375 170 545Total 7443 1416 8859

OR = 2.57 95% CI = 2.11 3.12 Chi-squared = 100.03 , 1 d.f. , P value = 0 Fisher's exact test (2-sided) P value = 0

Terlihat bahwa dengan menggunakan output di atas, dapat dilakukan uji untuk mengetahui

apakah terdapat hubungan yang signifikan antara riwayat merokok ibu dengan kelahiran bayi

berat lahir rendah. Berikut langkah-langkah uji hipotesisnya:

H0: Tidak ada hubungan antara riwayat merokok ibu dengan kelahiran bayi berat lahir

rendah

H1: ada hubungan antara riwayat merokok ibu dengan kelahiran bayi berat lahir

rendah

α = 0,05

Statistik uji: χ2hitung (Pearson Chi-square)

Daerah kritis : H0 ditolak apabila χ2hitung > χ2

0,05;1 atau p-value < 0,05.

Kesimpulan: karena χ2hitung = 100,03 > 3,84 = χ2

0,05;1 dan p-value = 0,000 < 0,05 = α

maka H0 ditolak. Berdasarkan hasil inferensi tersebut, dapat disimpulkan bahwa

terdapat hubungan yang bermakna (signifikan) antara riwayat merokok ibu dengan

kelahiran bayi berat lahir rendah.

Keeratan hubungan antara 2 variabel ini dapat dilihat pada nilai OR yaitu sebesar 2,57. Nilai

tersebut menunjukkan bahwa resiko ibu yang memiliki riwayat merokok akan melahirkan

bayi berat lahir rendah adalah 2,57 kali lebih besar dari pada ibu yang tidak merokok. Berikut

grafik yang menggambarkan perbandingan resiko tersebut.

0.05

0.06

0.08

0.1

0.12

0.16

OR = 2.57

95% CI = 2.11 , 3.12

Nonsmokers Smokers

Odds ratio from prospective/X-sectional study

Exposure = , outcome =

Od

ds

of o

utc

om

e =

<2

50

0g

Selain menggunakan data yang belum diringkas, dengan menggunakan fungsi cci dapat

dilakukan analisis dimana nilai-nilai n11, n12, n21, n22 dimasukkan secara manual. Secara

umum, perintah fungsi cci adalah:

cci(caseexp, controlex, casenonex, controlnonex, cctable = NULL)

Misalnya akan dihitung OR dengan menggunakan data lowbwt.2 dari sheet ringkasan. Seperti

pada contoh sebelumnya, terlebih dahulu data dicopy ke R, misal diberi nama lowbwt2

sebagai berikut:

> lowbwt2=read.delim("clipboard")

> lowbwt2

weight smoke race count

1 0 0 1 3520

2 1 0 1 169

3 0 1 1 832

4 1 1 1 98

5 0 0 2 686

Berikut keterangan dari nilai-nilai n11, n12, n21, n22.

n11 adalah jumlah bayi berat lahir rendah dari ibu yang memiliki riwayat merokok

(weight = 1, smoke = 1).

n12 adalah jumlah bayi berat lahir normal dari ibu yang memiliki riwayat merokok

(weight = 0, smoke = 1).

n21 adalah jumlah bayi berat lahir rendah dari ibu yang tidak memiliki riwayat merokok

(weight = 1, smoke = 0).

n22 adalah jumlah bayi berat lahir normal dari ibu yang tidak memiliki riwayat merokok

(weight = 0, smoke = 0).

Sama seperti sebelumnya, nilai-nilai n11, n12, n21, n22 dihitung dengan menggunakan fungsi

tapply,

> tapply(count,lowbwt2[,1:2],sum)

sehingga diperoleh hasil:

smokeweight 0 1 0 7068 1246

1 375 170

Setelah diperoleh hasil di atas, nilai OR dapat dihitung menggunakan fungsi cci sebagai

berikut:

> cci(170,1246,375,7068)

Hasilnya adalah:

ExposureOutcome Non-exposed Exposed Total Negative 7068 1246 8314 Positive 375 170 545 Total 7443 1416 8859

OR = 2.57 95% CI = 2.11 3.12 Chi-squared = 100.03 , 1 d.f. , P value = 0 Fisher's exact test (2-sided) P value = 0

Output di atas menunjunkkan kesimpulan yang sama seperti output dari fungsi cc.

b. Menggunakan Excel

Buka data lowbwt.2 dari Excel, pilih sheet asli. Untuk menghitung OR menggunakan Excel,

telebih dahulu dihitung nilai-nilai n11, n12, n21, n22. Bagaimana cara menghitungnya?

Dalam Excel terdapat fungsi COUNTIFS yang berfungsi untuk menghitung sel dengan

beberapa kriteria. Secara umum perintahnya adalah sebagai berikut:

COUNTIFS(range1, criteria1,range2, criteria2…)

Untuk data lowbwt.2, perintahnya adalah:

Untuk n11: =COUNTIFS($B$2:$B$8860;"=<2500g";$C$2:$C$8860;"=smokers")

Untuk n12: =COUNTIFS($B$2:$B$8860;"=>=2500g";$C$2:$C$8860;"=smokers")

Untuk n21: =COUNTIFS($B$2:$B$8860;"=<2500g";$C$2:$C$8860;"=nonsmokers")

Untuk n22: =COUNTIFS($B$2:$B$8860;"=>=2500g";$C$2:$C$8860;"=nonsmokers")

Sehingga kita dapat membuat tabel kontingensi 2 x 2 seperti pada output fungsi cc dari

software R.

WeightSmoke

TotalNonsmokers

Smokers

>=2500 7068 1246 8314<2500 375 170 545

Total 7443 1416 8859

Untuk mengetahui ada tidaknya hubungan antara riwayat merokok ibu dengan kelahiran bayi

berat lahir rendah, dilakukan uji Chi-Square. Nilai statistik uji Chi-Square dihitung sebagai

berikut:

χ2 = 8859*((170*7068)-( 1246*375))^2/(545*8314*1416*7443) = 100,0289689 ≈ 100,03

Nilai p-value adalah:

=CHIDIST(100,0289689;1)

Hasilnya 1,50184E-23 ≈ 0,000

Nilai Chi-Square tabel dengan derajat bebas 1 pada tingkat signifikansi 5% adalah:

=CHIINV(0,05;1)

Hasilnya 3,841459149 ≈ 3,84

Karena χ2 hitung = 100,03 > 3,84 = χ20,05;1 dan p-value = 0,000 < 0,05 = α maka dapat

disimpulkan bahwa terdapat hubungan yang signifikan antara riwayat merokok ibu dengan

kelahiran bayi berat lahir rendah.

Selanjutnya, perhitungan OR dapat dilakukan secara manual.

OR = (170*7068)/(375*1246) = 2,57156 ≈ 2,57

Terlihat bahwa, baik menggunakan R maupun Excel, diperoleh hasil yang sama.

c. Menggunakan SPSS

Pertama-tama, copy data lowbwt.2 dari sheet ringkasan di Excel ke SPSS, kemudian beri

nama variabel-variabelnya.

Selanjutnya data dibobot dengan langkah-langkah sebagai berikut:

Data Weight Cases.. pilih Weight cases by

Kemudian masukkan variabel pembobotnya. Pada kasus ini variabel pembobotnya adalah

count, sehingga tampak tampilan seperti berikut:

Klik Analyze Descriptive Statistics Crosstabs...

Masukkan variabel exposure ke Row(s) dan variabel outcome ke Column(s), kemudian pilih

Statistics...

Pilih Chi-square dan Risk kemudian klik continue.

Klik Cells... akan muncul

Pilih Observed dan Expected kemudian klik continue, dan OK. Berikut output dari

pengolahan data SPSS:

smoke * weight Crosstabulation

weight

TotalBBLR Normal

smoke Nonsmokers Count 7068 375 7443

Expected Count 6985.1 457.9 7443.0

Smokers Count 1246 170 1416

Expected Count 1328.9 87.1 1416.0

Total Count 8314 545 8859

Expected Count 8314.0 545.0 8859.0

Pada tabel di atas terlihat bahwa tidak ada sel yang memiliki nilai frekuensi harapan kurang

dari 5 maka inferensi menggunakan statistik uji Chi-square dapat dilakukan. Jika terdapat sel

yang memiliki nilai frekuensi harapan kurang dari 5, digunakan Fisher’s Exact Test. Statistik

uji Chi-square ditampilkan seperti di bawah ini:

Chi-Square Tests

Value dfAsymp. Sig. (2-

sided)Exact Sig. (2-

sided)Exact Sig. (1-

sided)

Pearson Chi-Square 100.029a 1 .000

Continuity Correctionb 98.826 1 .000

Likelihood Ratio 83.814 1 .000

Fisher's Exact Test .000 .000

Linear-by-Linear Association 100.018 1 .000

N of Valid Cases 8859

a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 87,11.b. Computed only for a 2x2 table

Pada tabel di atas, terlihat nilai statistik uji Pearson Chi-Square sebesar 100,029 sehingga

dapat disimpulkan bahwa terdapat hubungan yang signifikan antara riwayat merokok ibu

dengan kelahiran bayi berat lahir rendah. Keeratan hubungan antara 2 variabel tersebut dapat

dilihat pada tabel Risk Estimate berikut.

Risk Estimate

Value

95% Confidence Interval

Lower Upper

Odds Ratio for smoke (Nonsmokers / Smokers)

2.572 2.125 3.113

For cohort weight = BBLR 1.079 1.058 1.101

For cohort weight = Normal .420 .353 .498

N of Valid Cases 8859

Diperoleh nilai OR yang sama dengan hasil-hasil sebelumnya yaitu sebesar 2,572.

2. Menghitung RR dan RD

a. Menggunakan software R

Dalam library epicalc, selain tersedia fungsi untuk menghitung OR, tersedia juga fungsi

untuk menghitung RR dan RD yaitu fungsi cs dan csi. Perintah untuk fungsi cs adalah:

cs(outcome, exposure, cctable = NULL)

Contoh:

Akan dihitung RR dan RD dari data lowbwt.2, agar lebih mudah digunakan tabel low1 yang

sebelumnya telah dibuat, berikut perintahnya:

> cs(outcome=NULL, exposure=NULL, cctable=low1)

ExposureOutcome Non-exposed Exposed Total Negative 7068 1246 8314 Positive 375 170 545 Total 7443 1416 8859 Rne Re Rt

Risk 0.05 0.12 0.06

Estimate Lower95ci Upper95ci Risk difference (attributable risk) 0.07 0.06 0.08 Risk ratio 2.38 2.01 2.82 Attr. frac. exp. -- (Re-Rne)/Re 0.58 Attr. frac. pop. -- (Rt-Rne)/Rt*100 % 18.1 Number needed to harm (NNH) 14.35 12.14 18.14 or 1/(risk difference)

Output di atas menjelaskan beberapa hal sebagai berikut:

Probabilitas seorang ibu yang tidak memiliki riwayat merokok akan melahirkan bayi

dengan berat lahir rendah dapat dilihat pada Rne, yaitu sebesar 0,05.

Probabilitas seorang ibu yang memiliki riwayat merokok akan melahirkan bayi

dengan berat lahir rendah dapat dilihat pada Re, yaitu sebesar 0,12.

Probabilitas seorang ibu akan melahirkan bayi dengan berat lahir rendah tanpa

memperhatikan riwayat merokok dapat dilihat pada Rt, yaitu sebesar 0,06.

Nilai RD positif yaitu sebesar 0,07, menunjukkan bahwa kebiasaan merokok ibu

meningkatkan probabilitas kelahiran bayi dengan berat lahir rendah sebesar 7%.

Nilai RR lebih dari 1 yaitu sebesar 2,38 menunjukkan bahwa ibu yang memiliki

kebiasaan merokok memiliki probabilitas 2,38 kali lebih besar akan melahirkan bayi

dengan berat lahir rendah dibandingkan ibu yan tidak memiliki kebiasaan merokok.

b. Menggunakan Excel

Sama seperti perhitungan OR, perhitungan RR dan RD dalam Excel dilakukan secara manual.

Misal tabel 2 x 2 yang telah kita buat sebelumnya terletak pada cell seperti di bawah ini:

Maka RR dan RD dihitung sebagai berikut:

RR = (C4/C5)/(B4/B5) = 2,382881356 ≈ 2,38

RD = (C4/C5)-(B4/B5) = 0,069673587 ≈ 0,07