Penelitian Replikasi (2)

Kata “replikasi” tidak hanya berarti “mengulang” tetapi juga “menjawab” atau “menanggapi”. (http://www.etymonline.com/index.php?term=replication&allowed_in_frame=0). Jadi penelitian replikasi dapat diartikan sebagai penelitian yang menanggapi penelitian-penelitian sebelumnya yang berupaya menjawab masalah penelitian yang sama (i.e., mempertanyakan kekuatan hubungan, atau Effect Size, antara X dan Y) dengan tujuan memberikan bukti yang lebih valid tentang Effect Size (ES) hubungan X (prediktor, intervensi atau program) dan Y (kriterion, outcome atau hasil program). Hipotesis penelitian menyatakan bahwa ES ≥ ESmin dan kesimpulan penelitian menyatakan bahwa hipotesis penelitian didukung/tidak didukung oleh hasil penelitian. Hasil penelitian dapat tidak mendukung hipotesis penelitian jika kerangka konsep (R1) tidak valid, rancangan penelitian (R2) tidak kokoh dan/atau pelaksanaan penelitian menyimpang dari metoda penelitian (R3).

Ada replication continuum mulai dari penelitian dengan R3, R2 dan R1 yang sama (imitation, exact replication, pure replication),  penelitian dengan R3 dan R2 yang sama  sampai dengan penelitian dengan hanya R1 yang sama. Jika penelitian-penelitian sebelumnya dilaksanakan dengan kurang taat metoda (low fidelity research implementation) peneliti berikut mempunyai peluang mereplikasi penelitian tentang hubungan X – Y yang sama dengan tujuan meningkatkan ketaatan mengikuti metoda penelitian yang telah diarahkan oleh rancangan penelitian yang kokoh (robust  research design). Makin lama jangka waktu penelitian, makin rumit penelitian dan makin rendah penerimaan subyek penelitian makin besar kemungkinan untuk menyimpang dari rancangan dan rencana semula. (Carroll, C., Patterson, M., Wood, S., Booth, A., Rick, J., & Balain, S. (2007). A conceptual framework for implementation fidelity. Implementation Science, 2(1), 1.)

Jika penelitian-penelitian sebelumnya menggunakan rancangan yang kurang kokoh peneliti berikut mempunyai peluang menanggapinya dengan Tujuan Penelitian yang menyatakan secara spesifik apa yang akan diperbaiki dalam hal pengumpulan data, pengolahan data dan/atau penafsiran data. Mutu pengumpulan data dapat ditingkatkan dengan memperbaiki validitas alat/cara pengumpulan data, memperbaiki reliabilitas penggunaan alat/cara pengumpulan data dan/atau memperbaiki validitas subyek atau unit pengamatannya. Mutu pengolahan data mungkin perlu ditingkatkan dengan penggunaan metoda-metoda statistika reduksi dan inferensi yang lebih sesuai dengan skala data dan asumsi/prasyarat metoda. Mutu validitas dalam dan validitas luar penafsiran ES ditingkatkan dengan mengendalikan, memanipulasi atau mengamati moderator spesifik dan non-spesifik.

Jika penelitian-penelitian sebelumnya menggunakan kerangka konsep yang kurang valid peneliti berikut dapat melakukan penelitian replikasi dengan kerangka konsep yang disempurnakan secara deduktif berdasarkan teori/pendapat ahli dan secara induktif berdasarkan hasil penelitian-penelitian sebelumnya. Ada banyak hal yang dapat diperbaiki tentang kerangka konsep: definisi operasional (DO) dari konstruk-konstruk X, Y, mediator (landasan teori) dan moderator (situasi dan kondisi unit analisis), jumlah dan DO dimensi-dimensi (atau faktor-faktor) dari masing-masing konstruk, serta jumlah dan DO variabel-variabel/item-item dari masing-masing dimensi.

Penelitian imitasi, atau replikasi murni, diperlukan dalam rangka memenuhi kriterion konsistensi hubungan kausasi X dan Y. ES yang bermakna (ES ≥ ESmin) dan valid (tidak bias, tidak kebetulan dan tidak rancu) dan penelitian-penelitian replikasi yang secara konsisten menghasilkan ES bermakna dan valid merupakan kriteria penting pembuktian hubungan sebab-akibat antara X dan Y. Bahkan penelitian replikasi di tempat yang sama, dengan unit analisis dan unit pengamatan yang sama, pada waktu yang berbeda diperlukan (i.e., karena validitas a posteriori dapat berubah).

Untuk menghindari  “plagiarisme gagasan”  peneliti sebaiknya selalu menyebutkan sumber rujukan dan untuk menghindari “plagiarisme tulisan” peneliti sebaiknya selalu menunjukkan tanda kutip dan menyebutkan sumber rujukan. Ijin mengutip dari penerbit sumber rujukan diperlukan jika penerbit mempunyai hak kutip (copyright). Plagiarisme-diri (self-palgiarism) terjadi ketika peneliti menerbit ulang seluruh atau sebagian dari karyanya dan mengakunya sebagai karya baru. (https://cdn2.hubspot.net/hub/92785/file-5414624-pdf/media/ith-selfplagiarism-whitepaper.pdf).

Penelitian Replikasi (1) https://rossisanusi.wordpress.com/2009/06/14/penelitan-replikasi/

Meta Analysis & Pooled Data Analysis

Pada saat mempelajari atau mengerjakan telaah sistematik laporan-laporan penelitian empirik (PE) tentang efikasi suatu intervensi kita menemui Effect Size (ES) yang beragam besarnya dan arahnya. Dan jika penelitiannya dilakukan pada sampel, ES yang bersangkutan digunakan untuk memperkirakan ES populasi yang disampel dengan  CI yang beragam lebarnya. Setelah dikumpulkan, disaring, dan ditelaah kritis dengan kriteria dan cara yang ketat, penelitian-penelitian tersebut diharapkan mempunyai kerangka konsep, rancangan penelitian dan pelaksanaan penelitian yang valid dan seragam. Jika dapat dipastikan bahwa ES-ES yang beragam ini dihasilkan dari pengumpulan data yang seragam dan tidak bias (karena definisi operasional dari variabel-variabel intervensi dan outcome seragam dan menggunakan secara konsisten alat/cara pengumpul data valid yang seragam pada unit-unit pengamatan yang tepat yang memenuhi kriteria inklusi dan eksklusi yang seragam) maka ES yang beragam ini disebabkan karena kebetulan (karena dihasilkan dari penelitian sampel kecil) atau semu (karena dihasilkan dari penelitian yang variabel-variabel moderatornya tidak dikendalikan/diamati). Dengan jumlah unit analisis yang terbatas peneliti bisa saja menggunakan rancangan RCT dan menyatakan bahwa variabel-variabel perancu sudah dikendalikan. Namun, dengan rancangan tersebut yang dikendalikan hanya variabel-variabel moderator non-spesifik (i.e., history, maturation, etc.), sedangkan confounding juga terjadi jika variabel-variabel moderator spesifik (i.e., ciri-ciri dan keadaan unit analisis) tidak dikendalikan atau tidak diamati (i.e., tidak ikut dianalisis). Jadi keragaman ES yang ditemukan pada telaah sistematik disebabkan karena jumlah unit analisis yang terlampau sedikit untuk menghasilkan PE dengan validitas dalam yang besar dan sampling error yang kecil.

Untuk memperoleh manfaat dari ES-ES yang beragam ini ada upaya untuk menghitung ES baru melalui meta analisis (MA), dengan menggabungkan ES, atau pooled analysis (PA), dengan menggabungkan data, dari PE-PE yang lolos tahap-tahap sebelumnya dari telaah sistematik. Secara sederhana MA dapat dilakukan dengan memberi bobot kepada masing-masing ES sesuai dengan jumlah unit analisis yang digunakan (dan dengan demikian sesuai dengan tingkat validitas dalam atau besar sampling error) dan membagi jumlah total ES yang sudah diberi bobot dengan jumlah penelitian. Namun, biasanya PE yang lolos tahap-tahap sebelumnya dari telaah sistematik hanya menggunakan rancangan experimental (RCT atau time-series dengan kelompok kontrol) dengan N yang tidak cukup untuk mengendalikan/mengamati variabel-variabel moderator spesifik. Jadi sebenarnya ES baru yang diperoleh melalui MA merupakan sintesis dari ES-ES semu (confounded, atau lebih tepat jika dikatakan hubungan intervensi-outcome menutupi hubungan moderator-outcome). Lagi pula sampel-sampel PE tidak berasal dari populasi yang sama dan ES sintesis tidak dapat digunakan untuk memperkirakan ES dari populasi tersebut. ES baru juga dapat dihitung jika peneliti-peneliti sebelumnya mengumpulkan data untuk variabel-variabel moderator spesifik dan bersedia memberikan data mentahnya untuk diPA. Namun ES yang baru ini tidak merupakan hasil dari suatu RCT dengan N besar karena unit-unit analisis gabungan tidak ditempatkan secara acak ke kelompok-kelompok intervensi. Juga, variabel-variabel moderator spesifiknya kemungkinan besar tidak seragam jumlah dan jenisnya (serta definisi operasionalnya masing-masing). Jadi ES baru yang diperoleh melalui PA sintesis juga merupakan ES semu.

Karena kecil sekali kemungkinannya menjaring PE-PE  yang valid dan seragam dalam hal kerangka konsep, rancangan penelitian, dan pelaksanaan penelitiannya ada peneliti-peneliti yang menggunakan berbagai uji keberagaman (heterogeneity tests) yang pada dasarnya menguji apakah keberagamannya bermakna secara statistik (bukan secara substantif) dalam hal validitas dalam, sampling error atau keduanya. Jika keberagaman tidak bermakna, analisis dilanjutkan mengikuti Fixed Effect Model atau Random Effects Model. Pada model yang pertama diasumsikan bahwa ES-ES sebenarnya sama karena berasal dari populasi yang sama dan bahwa yang membuatnya beragam ialah besar sampel yang berbeda. Pada model yang kedua diasumsikan bahwa ES-ES memang berbeda secara acak karena  berasal dari populasi-populasi yang beragam pengendalian variabel-variabel moderatornya (i.e., melalui kriteria inklusi).

Selain sarat asumsi telaah sistematik dihantui oleh bias publikasi, yang cenderung menyingkirkan PE-PE dengan ES yang kecil atau negatif. Cara yang lebih masuk akal untuk menguji kemaknaan substantif ES (i.e., outcome memang berhubungan erat dengan intervensi atau prediktor lain) ialah secara prospektif melakukan PE-PE multi-center, atau multi-peneliti, yang direncanakan dan disepakati bersama dalam hal kerangka konsep, rancangan penelitian dan pelaksanaan penelitian.  Dengan demikian keberagaman ES karena jumlah unit analisis yang kecil dapat diatasi. Keberagaman dalam CI dapat ditiadakan jika masing-masing menggunakan penelitian populasi. Jika ES masih beragam berarti ada variabel moderator yang belum dikendalikan atau ikut diamati, yang pasti akan timbul ketika intervensi diterapkan di populasi sasaran.

 

Rujukan:

  • Basu, A. (2014). Introduction to Meta Analysis. PeerJ PrePrints, 2, e665v1.
  • Berman, N. G., & Parker, R. A. (2002). Meta-analysis: neither quick nor easy. BMC medical research methodology, 2(1), 1.
  • Blettner, M., Sauerbrei, W., Schlehofer, B., Scheuchenpflug, T., & Friedenreich, C. (1999). Traditional reviews, meta-analyses and pooled analyses in epidemiology. International journal of epidemiology, 28(1), 1-9.
  • Borenstein, M., Hedges, L. V., Higgins, J., & Rothstein, H. R. (2010). A basic introduction to fixed‐effect and random‐effects models for meta‐analysis. Research Synthesis Methods, 1(2), 97-111.
  • Kevin C. Chung, MD, Patricia B. Burns, MPH, H. Myra Kim, ScD. “Clinical Perspective: A Practical Guide to Meta-Analysis.” The Journal of Hand Surgery. 31A no.10  December 2006.

Mengurangi Ketimpangan dengan Kesehatan Masyarakat Tepat Sasaran

Mengurangi Ketimpangan dengan Kesehatan Masyarakat Tepat Sasaran

(Reducing Inequity with Accurate Public Health)

Judul yang diberikan berkala Medscape 18 Juni 2016 untuk laporan wawancara dengan Dr Susan Desmond-Hellmann, CEO dari Bill & Melinda Gates Foundation, adalah ‘All Lives Have Equal Value’: Reducing Inequality with Precision Public Health. Yang dimaksud Dr Desmond-Hellmann kemungkinan besar ialah Reducing Inequity with Accurate Public Health, karena salah satu pernyataannya dalam wawancara tersebut ialah “…the right set of interventions for the right population in the right geography”. Lagipula, Dr Desmond Hellmann, yang sebelumnya menjabat rektor UCSF, diminta untuk memimpin Bill & Melinda Gates Foundation yang menganggap equity sangat penting. Menurut mereka setiap jiwa sama nilainya, namun karena kebutuhan masing-masing jiwa berbeda dan karena sumber daya yang terbatas, pembuat keputusan sebaiknya memilih perangkat intervensi yang terbukti efikasius untuk setiap tahap pencegahan dari penyakit-penyakit prioritas. Supaya bermanfaat bagi kelompok penduduk yang lebih membutuhkan pembuat keputusan sebaiknya memperhatikan distribusi penduduk pada masing-masing tahap pencegahan menurut gender, keadaan sosial-ekonomi dan geografi. Presisi memang dibutuhkan (i.e., supaya intervensi  efikasius secara konsisten mengenai sasaran yang tepat) dan presisi dapat dicapai jika petugas fungsional dengan high fidelity mengikuti SOP intervensi dan petugas struktural dengan high fidelity memberikan dukungan logistik secara efektif dan efisien. (http://www.medscape.com/viewarticle/864259)

Wawancara tersebut diadakan Dr Eric J. Topol, editor-in-chief dari Medscape, dengan Dr Desmond-Hellmann pada tanggal 6 Juni 2016. Pada hari yang sama Dr Desmond-Hellmann menjadi pembicara pertama pada Precision Public Health Summit, suatu pertemuan dua hari di UCSF yang bertemakan “The First 1,000 days”. Di dalam pidatonya dia mengkhawatirkan bahwa Precision Medicine akan memperparah inequity. Satu tahun sebelumnya Presiden Obama meluncurkan PMI (Precision Medicine Innitiative) yang bertujuan “… the right treatment at the right time to the right person, …”. Upaya kesehatan perorangan (UKP, N=1) ini menggunakan teknologi yang canggih dan menyedot banyak sumberdaya yang sebetulnya dapat dimanfaatkan oleh upaya kesehatan masyarakat yang dengan teknologi yang lebih sederhana dapat menyelamatkan jauh lebih banyak orang (UKM, 1 N). (https://www.ucsf.edu/precision-public-health-summit-first-1000-days; https://www.whitehouse.gov/blog/2016/02/25/precision-medicine-health-care-tailored-you)

Kedua prakarsa ini saling membutuhkan dan keduanya membutuhkan data besar (N besar, jumlah variabel banyak dan akses cepat). Supaya UKP tepat sasaran data semua variabel moderator spesifik (e.g., riwayat kesehatan, gen, lingkungan, dan gaya hidup) harus dimasukkan pada model yang telah diuji validitasya untuk setiap tahap pencegahan penyakit prioritas. Supaya UKM tepat sasaran data gender, keadaan sosial-ekonomi dan geografi dari suatu wilayah kerja dinas kesehatan harus dibuatkan distribusinya. UKP tepat sasaran kemudian diterapkan pada kelompok penduduk yang lebih membutuhkan (i.e., dengan morbiditas, mortalitas dan disabilititas lebih besar; dan, dengan beban penyakit lebih besar). Keduanya dapat diolah cepat dengan perangkat lunak dan perangkat keras yang praktis dan murah. (http://data-informed.com/the-difference-between-big-data-and-a-lot-of-data/)

Apakah Penelitian Experimental Membuktikan Hubungan Sebab-Akibat?

Di dalam teori yang digunakan untuk menjawab masalah penelitian terdapat sejumlah proposisi yang menunjukkan hubungan antara konstruk-konstruk (= variabel-variabel latent, yaitu, variabel-variabel yang belum dapat diamati). Menurut arah hubungan ada proposisi korelasi (hubungan timbal-balik antara konstruk prediktor dan konstruk kriterion) dan ada proposisi kausasi (hubungan satu arah dari konstruk sebab ke konstruk akibat). Hubungan-hubungan ini dapat digambar secara visual sebagai diagram kerangka teori. Peneliti memilih satu atau beberapa proposisi untuk diteliti. Proposisi yang dipilih diurai lebih lanjut dan digambar berbentuk sebuah kerangka proposisi (kerangka konsep) yang memperlihatkan dimensi-dimensi (faktor-faktor) dari masing-masing konstruk dan variabel-variabel (= variabel-variabel manifest, yaitu, variabel-variabel yang dapat diamati) atau index-index (himpunan item) dari masing-masing dimensi. Sesuai dengan kerangka konsep ini proposisi dijabarkan menjadi hipotesis-hipotesis penelitian.

Untuk mendukung hipotesis hubungan sebab-akibat ada beberapa kriteria kausasi yang harus dipenuhi: kekuatan hubungan, konsistensi hubungan, kekhususan hubungan, variabel sebab mendahului akibat (temporalitas), hubungannya masuk akal (plausibilitas), ada bukti experimental laboratoris dan gradien biologik (manipulasi pada konstruk sebab berpengaruh pada konstruk akibat), koherensi dan analogi. Makin banyak kriteria dipenuhi makin kuat dukungan terhadap hipotesis kausasi.

Tentang kekuatan hubungan, selain harus menunjukkan effect Size yang bermakna, peneliti juga harus menunjukkan bahwa hubungan tersebut tidak biased (yang biasanya terjadi pada tahap pengumpulan data), tidak kebetulan (yang terjadi jika penelitian dilakukan pada sampel unit analisis) dan tidak semu. Hubungan korelasi yang semu dapat terjadi jika variabel-variabel moderator diabaikan. Variabel-variabel ini merupakan situasi dan kondisi unit analisis yang spesifik (i.e., yang secara spesifik diidentifikasi peneliti berkaitan dengan konstruk kriterion/akibat) dan non-spesifik (i.e., yang secara umum diidentifikasi peneliti berkaitan dengan konstruk kriterion/akibat karena perbedaan ruang dan waktu, seperti history, maturation, instrumentation, testing, differential selection, central tendency, mortality, dsb.). Untuk mengungkap hubungan korelasi yang semu, moderator spesifik dikendalikan (misalnya melalui kriteria inklusi, stratifikasi dan matching) atau diamati (diikuti analisis multivariat) dan moderator non-spesifik dikendalikan melalui rancangan experimental murni (i.e., dengan membentuk kelompok-kelompok kendali, menempatkan secara acak unit-unit analisis ke kelompok-kelompok kendali dan melakukan pre-test).

Hubungan korelasi yang kuat/bermakna (i.e., Effect Size cukup besar, yang dinyatakan dengan r ≥ rmin; OR ≥ ORmin; atau,  p ≥ pmin ) dan valid (i.e., tidak biased, tidak kebetulan dan tidak semu) hanya memenuhi satu kriteria hubungan kausasi. Hubungan korelasi yang semu dapat diungkap dengan tidak mengabaikan variabel-variabel moderator spesifik dan non-spesifik. Rancanggan experimental murni  hanya upaya untuk mengendalikan moderator non-spesifik.

 

Pembedaan Penelitian Kualitatif – Kuantitatif Perlu?

Penelitian Kuantitatif Mengkuantifikasi Kualitas Subyek Penelitian

Menurut kamus etimologi online (www.etymonline.com) kata sifat “Kualitatif”  berasal dari kata benda qualitatem (L), yang berarti suatu sifat, benda, keadaan atau kegiatan yang mencirikan pemilik kualitas yang bersangkutan. Semua penelitian bertujuan mengumpulkan informasi tentang kualitas (ciri-ciri) dari pemilik informasi (= subyek penelitian, atau unit pengamatan). Dari masing-masing pemilik informasi banyak sekali ciri-ciri yang dapat diteliti dan dilaporkan. Karena pemilik informasi bervariasi menurut ruang (perbedaan antar pemilik) dan waktu (perubahan pada diri masing-masing pemilik untuk setiap ciri) peneliti  juga berminat mengamati dan merekam variasi dari ciri-ciri tersebut. Ciri yang bervariasi menurut ruang dan waktu ini dinamakan variabel. Untuk memudahkan perekaman, informasi dari masing-masing variabel dikotakkan dalam salah satu dari golongan yang jumlahnya sedikit dan tertentu atau dalam salah satu dari golongan yang jumlahnya banyak sekali dan dapat tak terhingga. Informasi yang sekarang sudah dikotakkan dinamakan data categorical (data golongan) pada penggolongan yang sedikit dan tertentu atau data continuous (data sinambungan) pada penggolongan yang banyak dan tidak tertentu.

Data (informasi yang sudah digolongkan) yang makin banyak (karena subyek penelitiannya makin banyak, atau karena variabel2 yang diamati makin banyak, atau keduanya) diringkas dalam bentuk tabel,  diagram atau angka peringkas. Untuk melihat berapa subyek yang masuk dalam masing2 kotak peneliti dapat membuat tabel silang variabel vs golongan (sel-selnya berisi jumlah subyek), dan diagram golongan (e.g., histogram, pie diagram) atau diagram sinambungan (i.e., polygon). Angka peringkas yang dapat digunakan ialah persen atau proporsi untuk data golongan; dan, angka pemusatan (mean, modus, median) dan penyebaran (range, inter-quartile range, standard deviasi) untuk data sinambungan. Jika peneliti kemudian juga berminat memeriksa sampai seberapa jauh dua atau lebih variabel bervariasi bersama (kovariasi), kekuatan dan arahnya juga dapat diringkas dalam bentuk tabel, diagram dan angka-angka peringkas (koefisien korelasi, Odds Ratio, selisih mean, selisih proporsi).

Peringkas2 data yang diperoleh peneliti dari sampel subyek penelitian (yang dipilih tanpa bias) dinamakan statistik2, yang digunakan untuk memperkirakan peringkas2 data dari populasi yang disampel  (= parameter2). Untuk keperluan ini peneliti merumuskan hipotesis statistik yang menyatakan bahwa statistik dapat memperkirakan parameter berada dalam selang kepastian yang sempit dengan tingkat kepastian 95% atau 99% (atau lebih tinggi lagi). Makin besar sampelnya, makin sempit selang kepastiannya.

Yang menjadi pertanyaan ialah kapan penelitian bersifat kuantitatif? Pada saat informasi dikotak-kotakkan menjadi data, pada saat data menjadi terlalu banyak sehingga perlu diringkas, atau pada saat peneliti menguji hipotesis statistik?

 

 

 

Economic Impact of Non-Communicable Disease

Economic Impact of Non-Communicable Disease

Prof. Bhisma Murti

Graduate Program in Public Health, Graduate Program, Sebelas Maret University

Abstract

Non-communicable diseases (NCDs) pose a substantial global economic burden. This burden will increase into an astounding one over the next two decades. Cardiovascular disease, chronic respiratory disease, cancer, diabetes and mental health conditions are the four dominant contributors to the global economic burden of NCDs. Although high-income countries currently bear the biggest economic burden of NCDs, the developing world, especially middle-income countries, is expected to assume an ever larger share as their economies and populations grow. WHO has identified a set of cost-effective interventions they call “Best Buys” that are feasible and appropriate for use in low and middle-income countries (LMICs). These interventions include among others reduced consumption of tobacco, alcohol and salt; improved awareness of healthy life styles; increased excise taxes; enhanced regulation, prevention and management of heart disease and strokes, as well as early detection and treatment of cancer.

Economic impact NCD paper revised May 27, 2016_Prof Bhisma Murti

Economic impact NCD UAD May 25, 2016_Prof Bhisma Murti

Email: bhisma.murti@gmail.com; bhisma.murti@staff.uns.ac.id;                            Website: www.theicph.com