Variabel, Pengukuran, Skala Data, dan Analisis Data

Tim EpidPK

2026-11-06

Pertanyaan pemantik

Apakah mahasiswa yang tidur kurang dari 7 jam memiliki risiko keluhan konsentrasi lebih tinggi?

Sebelum memilih uji statistik, apa yang harus dipastikan?

Apa yang hendak dibandingkan atau diestimasi?
Apa variabelnya, bagaimana diukur, dan pada siapa?
Apa bentuk data dan desain penelitiannya?

Capaian pembelajaran

Setelah sesi ini, mahasiswa mampu:

Mengidentifikasi variabel berdasarkan peran dalam pertanyaan penelitian.
Menyusun definisi operasional dan memilih cara pengukuran yang sesuai.
Mengklasifikasikan skala data serta membedakannya dari distribusi data.
Menentukan strategi analisis yang konsisten dengan pertanyaan, desain, dan karakteristik data.
Menafsirkan hasil dengan mempertimbangkan ketidakpastian dan keterbatasan.

Peta keputusan penelitian

Pertanyaan penelitian → Konstruk dan variabel → Definisi operasional → Instrumen dan data → Analisis → Interpretasi

Prinsip: Statistik adalah bagian dari rancangan untuk menjawab pertanyaan, bukan tujuan penelitian.

Konstruk, variabel, dan indikator

Istilah	Makna	Contoh
Konstruk	Konsep yang ingin dipahami	Kualitas tidur
Variabel	Atribut yang dapat bervariasi	Durasi tidur per malam
Indikator	Manifestasi teramati	Jam tidur dalam 7 hari terakhir
Nilai data	Hasil pengukuran individual	6,5 jam

Satu konstruk dapat membutuhkan beberapa indikator; satu indikator belum tentu mewakili seluruh konstruk.

Variabel berdasarkan perannya

Paparan/prediktor: durasi tidur.
Outcome: keluhan konsentrasi.
Perancu (confounder): beban akademik, penggunaan kafein, atau kondisi kesehatan—jika memenuhi kriteria kausal.
Mediator: mekanisme perantara yang berada pada jalur sebab-akibat.
Effect modifier: faktor yang mengubah besar atau arah asosiasi.

Peran variabel ditentukan oleh pertanyaan dan model kausal, bukan oleh nama variabel.

Perancu bukan sekadar variabel yang signifikan

Misal: durasi tidur → keluhan konsentrasi.

Beban akademik mungkin memengaruhi tidur dan konsentrasi.
Perancu harus ditelaah berdasarkan pengetahuan substantif dan urutan waktu.
Memasukkan semua variabel ke regresi tidak otomatis menghilangkan bias.
Hindari penyesuaian yang tidak tepat terhadap mediator atau collider.

Dari konsep ke definisi operasional

Komponen	Contoh
Variabel	Durasi tidur
Definisi operasional	Rerata jam tidur malam selama 7 hari terakhir
Sumber/instrumen	Buku harian tidur harian
Satuan/hasil	Jam, satu angka desimal
Skala	Rasio
Prosedur	Total durasi 7 malam dibagi 7

Pertanyaan kritis: Apakah definisi ini benar-benar mengukur hal yang dimaksud?

Kualitas pengukuran

Validitas

Seberapa tepat instrumen atau prosedur mendukung interpretasi hasil pengukuran yang dimaksud?

Validitas isi
Bukti hubungan dengan konstruk lain
Bukti proses respons

Reliabilitas

Seberapa konsisten hasil ketika pengukuran diulang dalam kondisi yang relevan?

Test–retest
Antarpenilai
Konsistensi internal (jika relevan)

Reliabel belum tentu valid.

Kesalahan pengukuran dan bias

Random error: menambah variasi dan menurunkan presisi.
Systematic error: menggeser hasil secara konsisten.
Misclassification: salah mengelompokkan status paparan atau outcome.
Recall bias: ingatan responden memengaruhi kualitas laporan.

Mitigasi: prosedur baku, pelatihan penilai, kalibrasi, instrumen tervalidasi, dan pemeriksaan data.

Empat skala pengukuran

Skala	Ciri	Contoh klinis
Nominal	Kategori tanpa urutan	Golongan darah
Ordinal	Kategori berurutan	Derajat nyeri ringan–sedang–berat
Interval	Selisih bermakna, nol tidak absolut	Suhu °C
Rasio	Selisih dan rasio bermakna, nol absolut	Berat badan (kg)

Kategori tidak sama dengan angka

Kode 0 = tidak, 1 = ya tetap nominal, bukan rasio.

Kode 1 = ringan, 2 = sedang, 3 = berat tetap ordinal: jarak antarkategori belum tentu sama.

Angka dapat menjadi label kategori, bukan selalu besaran kuantitatif.

Skala data dapat berubah akibat transformasi

Contoh usia:

Usia dalam tahun: rasio.
Usia 18–39, 40–59, ≥60: ordinal.

Mengubah numerik menjadi kategori dapat memudahkan komunikasi, tetapi sering menghilangkan informasi, menurunkan presisi, dan menimbulkan batas arbitrer.

Jangan kategorikan data kontinu tanpa alasan substantif.

Skala data ≠ distribusi data

Skala menjelaskan makna nilai: nominal, ordinal, interval, rasio.
Distribusi menjelaskan pola nilai: simetris, miring, multimodal, banyak nol, dan sebagainya.
Data rasio tidak otomatis berdistribusi normal.
Data ordinal tidak otomatis harus dianalisis dengan satu jenis uji tertentu.

Periksa distribusi secara visual dan pertimbangkan ukuran sampel serta asumsi model.

Mulai analisis dari tujuan

Pertanyaan	Keluaran utama
Berapa banyak?	Frekuensi, proporsi, prevalensi
Bagaimana sebarannya?	Rerata–SD, median–IQR, grafik
Apakah berbeda?	Selisih rerata/proporsi dan CI
Apakah berasosiasi?	RR, OR, korelasi, koefisien regresi
Dapatkah diprediksi?	Prediksi dan evaluasi kinerja model

Analisis deskriptif: kategorik

Contoh: 80 dari 200 mahasiswa melaporkan keluhan konsentrasi.

Frekuensi: 80 orang.
Proporsi: 80/200 = 40%.
Tampilkan penyebut, data hilang, dan definisi outcome.
Grafik: batang; hindari grafik yang menyamarkan denominator.

Analisis deskriptif: numerik

Contoh: durasi tidur (jam) pada 8 mahasiswa:

4, 5, 5, 6, 6, 6, 7, 9

Rerata: 6,0 jam.
Median: 6,0 jam.
Rentang: 4–9 jam.
Periksa histogram atau boxplot, nilai ekstrem, dan kelengkapan data.

Pilih ringkasan yang sesuai dengan bentuk distribusi dan tujuan.

Desain penelitian menentukan interpretasi

Potong lintang

Paparan dan outcome dinilai pada satu periode.

Dapat mengestimasi prevalensi dan asosiasi, tetapi urutan waktu sering tidak pasti.

Kohort

Paparan ditentukan sebelum outcome yang diamati selama follow-up.

Dapat mengestimasi risiko atau laju kejadian sesuai rancangan.

Case-control: pemilihan berdasarkan outcome; OR lazim digunakan, RR tidak langsung diperoleh dari sampel biasa.

Memilih analisis: peta awal

Outcome	Tujuan	Kandidat analisis
Numerik	Membandingkan 2 kelompok independen	Uji t Welch / alternatif sesuai konteks
Numerik berpasangan	Sebelum–sesudah	Uji t berpasangan / alternatif
Kategorik biner	Membandingkan proporsi	Chi-square / Fisher; estimasi selisih, RR, atau OR
Numerik	Hubungan dua variabel	Korelasi / regresi linear
Biner	Asosiasi multivariabel	Regresi logistik atau model lain sesuai estimand

Ini peta orientasi, bukan algoritme otomatis.

Mengapa tidak cukup “normal atau tidak normal”?

Pertimbangkan bersama:

Tujuan: estimasi, perbandingan, asosiasi, atau prediksi.
Unit analisis dan independensi observasi.
Desain: independen, berpasangan, berulang, atau berkelompok.
Distribusi outcome/residual, varians, dan pencilan.
Ukuran sampel, data hilang, serta kebutuhan penyesuaian perancu.

Ukuran efek, CI, dan p-value

Ukuran efek: seberapa besar perbedaan atau asosiasi.
95% confidence interval: rentang estimasi yang menunjukkan presisi berdasarkan prosedur inferensi.
p-value: kompatibilitas data dengan model dan hipotesis nol; bukan probabilitas hipotesis nol benar.

Signifikansi statistik tidak sama dengan kepentingan klinis atau hubungan kausal.

Contoh 2 × 2: tidur dan konsentrasi

	Keluhan (+)	Keluhan (−)	Total
Tidur <7 jam	48	72	120
Tidur ≥7 jam	16	64	80

Proporsi keluhan: 40% vs 20%.
Prevalence ratio = 2,0.
Prevalence difference = 20 poin persentase.

Data hipotetis potong lintang: ini asosiasi prevalensi, bukan bukti kausalitas.

Kapan perlu analisis multivariabel?

Jika tujuan adalah memperkirakan asosiasi setelah mempertimbangkan perancu yang relevan.

Contoh model:

keluhan_konsentrasi ~ durasi_tidur + beban_akademik + konsumsi_kafein

Pilih kovariat berdasarkan kerangka konseptual.
Pastikan jumlah data memadai dan spesifikasi model masuk akal.
Laporkan ukuran efek tersesuaikan dan ketidakpastian.

Data hilang bukan detail administratif

Berapa banyak data hilang pada setiap variabel?
Apakah pola hilang berkaitan dengan paparan atau outcome?
Apa dampaknya terhadap bias dan presisi?
Apakah complete-case analysis layak? Apakah perlu metode lain?

Laporkan denominator analisis dan alasan pengecualian.

Analisis data kualitatif

Untuk pertanyaan “Bagaimana mahasiswa mengalami kesulitan tidur?”:

Unit data: kutipan wawancara atau catatan observasi.
Tahap: familiarisasi → pengodean → pengembangan kategori/tema → interpretasi.
Kualitas: transparansi proses, refleksivitas, dan kecocokan bukti dengan interpretasi.

Tidak semua pertanyaan penelitian dijawab dengan uji statistik.

Aktivitas kelompok: operasionalisasikan

RQ: “Apakah intensitas aktivitas fisik berkaitan dengan tekanan darah sistolik mahasiswa?”

Diskusikan (5 menit):

Paparan, outcome, dan kemungkinan perancu.
Definisi operasional serta instrumen pengukuran.
Skala setiap variabel.
Analisis deskriptif dan analisis asosiasi yang layak.
Satu keterbatasan interpretasi.

Contoh jawaban aktivitas

Paparan: aktivitas fisik (mis. menit aktivitas sedang–berat per minggu; definisi jelas).
Outcome: tekanan darah sistolik (mmHg; prosedur pengukuran baku).
Perancu potensial: usia, jenis kelamin, BMI, konsumsi garam—berdasarkan kerangka kausal.
Deskriptif: sebaran menit aktivitas dan tekanan darah.
Analitik: regresi linear jika sesuai; evaluasi bentuk hubungan dan asumsi.
Keterbatasan: bila potong lintang, temporalitas tidak pasti.

Kuis formatif 1

Skor nyeri 0–10 yang dilaporkan pasien paling aman diperlakukan sebagai…

A. Nominal karena berupa kategori

B. Ordinal secara konseptual, dengan perlakuan numerik bergantung justifikasi

C. Rasio karena memiliki angka nol

D. Interval pasti karena jarak angka selalu sama

Jawaban: B. Kesetaraan jarak dan interpretasi kuantitatif perlu dipertimbangkan, tidak otomatis dijamin oleh angka.

Kuis formatif 2

Peneliti mengukur tekanan darah sebelum dan sesudah intervensi pada orang yang sama. Apa isu desain yang paling penting?

A. Semua data harus dikategorikan

B. Observasi independen

C. Struktur data berpasangan

D. Semua data harus normal

Jawaban: C. Analisis harus mempertimbangkan pasangan pengukuran pada individu yang sama.

Kuis formatif 3

Hasil regresi menunjukkan OR 1,8; 95% CI 1,1–3,0. Pernyataan terbaik?

A. Paparan pasti menyebabkan outcome

B. Peluang outcome meningkat 80%

C. Odds outcome pada kelompok terpapar diperkirakan 1,8 kali, dengan ketidakpastian yang ditunjukkan CI

D. Probabilitas hipotesis nol benar adalah <5%

Jawaban: C. Odds bukan risiko, dan asosiasi bukan otomatis kausalitas.

Checklist sebelum analisis

Pertanyaan dan estimand jelas.
Variabel serta definisi operasional ditetapkan.
Sumber, kualitas, dan skala pengukuran diketahui.
Desain, unit analisis, dan struktur data dikenali.
Distribusi, outlier, dan missingness diperiksa.
Ukuran efek, CI, dan keterbatasan akan dilaporkan.

Take-home message

Pertanyaan menentukan variabel.

Variabel menentukan pengukuran.

Desain dan karakteristik data mengarahkan analisis.

Interpretasi menentukan makna bukti.