Analisa Data Kesehatan dan Model Skoring

Adakalanya ketika ingin mengindentifikasi suatu kerjadian (contoh kejadian penyakit), dilapangan kita kadang dihadapkan pada kendala terbatasnya ketersediaan sarana dan prasarana untuk melakukan pendeteksian. Hal umum yang biasa dilakukan oleh tenaga kesehatan adalah melakukan indentifikasi penyakit berdasarkan faktor resiko yang diduga menjadi penyebat penyakit yang sedang diamati, dengan mengembangkan sebuah MODEL PREDIKSI. Bagaimana mengembangkan sebuah Model Prediksi  melalui kegiatan penelitian untuk mengindentifikasi faktor resiko dari sebuah kejadian dan menghitung besarnya resiko yang ditimbulkan menjadi tujuan dari kegiatan pelatihan ini.  Model Prediksi yang dikembangkan pada pelatihan ini menggunakan SISTEM SKORING, nantinya sistim ini diharapkan mampu membantu pengelolaan resiko dari kejadian penyakit dimasyarakat oleh tenaga kesehatan yang memiliki keterbatasan sarana dan prasarana. Prinsip dari model Skoring yang dibangun harus sederhana namun tidak menghilangkan tingkat kehandalan. Materi pelatihan didisain mulai dari bagaimana cara membuat disain penelitian, menguji validitas pengukuran dan juga menganalisa faktor resiko yang ada yang kemudian diterapkan untuk membuat model prediksi sebuah kejadian penyakit yang diamati melalui sistem SKORING.

Target Pelatihan :

1. Peserta mampu membuat disain penelitian kesehatan pada umumnya.
2. Peserta memahami berbagai alat uji statistik yang digunakan dalam penelitian kesehatan..
3. Peserta mampu mengembangkan model Skoring untuk memprediksi kejadian dibidang Kesehatan..
4. Peserta dapat mengoperasikan dasar Program Statistik SPSS  for Windows (mulai dari input data, analisa data & membaca output hasil analisa) sebagai alat untuk mengembangkan Model Prediksi dengan sistem Skoring
   

Lama Pelatihan :
2 hari, @ 420 menit

Biaya
Mahasiswa & Dosen         : Rp 2.200.000,-
Umum & Profesional         : Rp 3.000.000,- 


Sylabus:

Read more »

Analisa Data Panel Dengan Eviews : Random Model 1

Data investasi 4 perusahaan US Steel, IBM, Goodyear, dan Union Oil selama periode 1935-1954 (20 tahun), sehingga total jumlah data ada sebanyak 80 data.. Data terdiri dari Y = nilai investasi, X1= nilai harga saham, dan X2=nilai aktual kapital diawal periode.

Model UMUM : lnY_it = β₀ + β₁lnX_1ij+ β₂lnX_2ij+e_it

Ada 3 model yang dapat digunakan untuk menganalisa:

I. Common Effect

II. Fixed Effect

III. Random Effect

MODEL RANDOM

Model ini mengasumsikan bahwa antar perusahaan memiliki pengaruh yang berbeda-beda.

Model Random  :

Intersep karena perbedaan perusahaan β_0i diganti dengan intersep yang menunjukan rata-rata intersep populasi.Error model (V_it) terdiri dari Error karena Crossectional perbedaan perusahaan (µ_i) dan karena Error total kombinasi antara Corssectional dan Time Series (e_it)

Prosedur 

Prosedur ini digunakan untuk data yang disusun secara seri (data dalam satu variabel disusun kebawah)

I.  Quick ==> Estimate Equation..

Akan Muncul Jendela Menu Berikut

Pada Jendela “Specification” tulis model persamaan modelnya sebagai berikut:

LOG(Y) C LOG(X1) LOG(X2)

Klik Jendela “Panel Option“

Pada Cross-section pilih Random

Pada Period pilih None

(Catt: Prosedur yang dilakukan mengasumsikan pada Model terjadi perbedaan intersep antar perusahaan/faktor crossetional yang terjadi secara Random.dimana intersep yang terbentuk nantinya merupakan nilai rata-rata dari semua intersep. Syarat untuk melakukan analisa model random jumlah objek crosectional/perusahaan harus lebih besar dari jumlah parameter yang diduga, pada kasus ini sudah memenuhi syarat karena ada 4 perusahaan sedangkan parameter yang diduga ada 3)  

 OUTPUT

 Dari hasil analisa diperoleh bahwa secara  umum nilai Harga Sahan (X1) berpengaruh positif  (koefisien = 0.608437) terhadap Nilai Investasi  (Y) dengan P-value 0.000, artinya bahwa kenaikan 1% pada Nilai Harga Saham akan meningkatkan 0,60,8% Investasi. Demikian pula dengan Nilai Aktual Kapital diawal Periode (X2) berpengaruh positif (koefisien = 0.341992) terhadap Nilai Investasi  (Y) dengan P-value 0.000, artinya kenaikan 1% Kapital akan meningkatkan 34,1% Investasi. Nilai Intersep (c) -1.185062 merupakan nilai rata-rata dari komponen kesalahan random (random error component)

Download Data Latihan Klik Disini

Read more »

Intraclass Correlation Coefficient – ICC

Koefisien korelasi intra-kelas (intraclass correlation coefficient, ICC) digunakan untuk menilai reliabilitas antar dua atau lebih pengamat, maupun test-retest reliability. Intinya, ICC adalah rasio antar varians antar kelompok dan varians total. Varians total berasal dari 3 sumber: (1) pasien; (2) pengamat; dan (3) random error (residual error). Jika variasi pengamat diasumsikan random, maka rumus ICC:

di mana varians (σ²) adalah ukuran variasi, subskrip s = subjek (pasien); o= pengamat; e= random error. Bila variasi pengamat diasumsikan fixed, maka variasi pengamat tidak diperhitungkan dalam menghitung variasi total.

Contoh sebuah studi menilai reliabilitas pengukuran depresi pada 5 pasien yang dilakukan oleh 3 pengamat. Skor depresi pasien berkisar dari 0 (tidak depresi) hingga 9 (depresi berat). Hitung intraclass correlation coefficient. Perhatikan, sumber variasi nilai berasal dari 2 pihak, yakni antar pasien dan antar pengamat. Kedua sumber variasi tersebut akan diperhitungkan dalam menilai reliabilitas pengukuran. Dengan demikian model yang digunakan untuk menilai reliabilitas adalah Two- Way ANOVA (ANOVA Dua Arah)

Variasi pengukuran yang berasal dari pengamat diasumsikan “random”. Sumber-sumber variasi tersebut kemudian dipartisi menjadi 3 bagian: pengamat, pasien, dan residual, dan dikuantifikasi dalam bentuk “Sum of Square (SS)”:

SS_Total = SS_Pasien+ SS_Pengamat+ SS_Error

Jika variansi PENGAMAT DIASUMSIKAN FIXED, maka perhitungan SS-total menjadi :

SS_Total = SS_Pasien+ SS_Error

Perhitungan SUM OF SQUARE (SS) dengan memperhitungkan variansi PENGAMAT :

Perhitungan Two Way Anova

 Perhitungan Variansi Berdasarkan 3 Sumber Keragaman

 Perhitungan Interclass Corelation Coefisient Dengam Memperhatikan Variansi Pengamat

Artinya, 76 persen dari variasi skor depresi berasal dari variasi sesungguhnya antar pasien. Sebesar 24 persen variasi skor depresi berasal dari variasi antar pengamat dan residual error.

Jika variasi pengamat diasumsikan fixed, maka variasi pengamat tidak diperhitungkan dalam denominator rumus:

Artinya, 90 persen variasi skor depresi berasal dari variasi antar pasien. Alat ukur memiliki stabilitas memadai jika ICC antar pengukuran >0.50, stabilitas tinggi jika ICC antar pengukuran ≥ 0.80 (Streiner dan Norman, 2000; Polgar dan Thomas, 2000).

Sumber Referensi : Validitas & Reliabilitas Pengukuran, Prof Bhisma Murti, dr, MPH, MSc, PhD, UNS

Read more »