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:

(2.1)
dengan IK adalah insidensi kumulatif; d adalah banyaknya subyek yangmengalami kejadian
tertentu atau menderita penyakit tertentu dalam suatu interval waktu tertentu; N
0
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:

(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).

( | )

(2.3)
Penduga untuk adalah

(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 marital
1 35 - 44 74457 3 1 1
2 35 - 44 923669 33 1 2
3 35 - 44 12317 1 1 3
4 35 - 44 42984 2 1 4
5 35 - 44 4787 1 1 5
6 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

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

, , marital = 2

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

, , marital = 3

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

, , marital = 4

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

, , marital = 5

race
age 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
E
D


E
D
1 2 1 2
1 n
11
n
12
N
1

1

1-

1
2 n
21
n
22
N
2


2
2
1-
2

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).

: probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya sudah

mendapatkan paparan.
1
= P(E = 1 | D = 1).
2
: probabilitas mendapatkan disease untuk kelompok yang diketahui sebelumnya tidak
mendapatkan paparan.
2
= P(E = 2 | D = 1).
n
11
: jumlah subyek yang mendapatkan disease diketahui sebelumnya sudah mendapatkan
paparan.
n
12
: jumlah subyek yang tidak mendapatkan disease diketahui sebelumnya sudah
mendapatkan paparan.
n
21
: jumlah subyek yang mendapatkan disease diketahui sebelumnya tidak mendapatkan
paparan.
n
22
: jumlah subyek yang tidak mendapatkan disease diketahui sebelumnya tidak
mendapatkan paparan.
Estimasi titik untuk
1
dan
2
adalah
1 11
N n

(2.5)
2 21 2
N n
(2.6)
Estimasi titik untuk RD adalah

(2.7)
Estimasi titik untuk RR adalah

(2.8)
Estimasi titik untuk OR adalah

(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:
smoke
weight 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 375 170 545
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
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:
H
0
: Tidak ada hubungan antara riwayat merokok ibu dengan kelahiran bayi berat lahir
rendah
H
1
: ada hubungan antara riwayat merokok ibu dengan kelahiran bayi berat lahir
rendah
= 0,05
Statistik uji:
2
hitung
(Pearson Chi-square)
Daerah kritis : H
0
ditolak apabila
2
hitung
>
2
0,05;1
atau p-value < 0,05.
Kesimpulan: karena
2
hitung
= 100,03 > 3,84 =
2
0,05;1
dan p-value = 0,000 < 0,05 =
maka H
0
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.

Selain menggunakan data yang belum diringkas, dengan menggunakan fungsi cci dapat
dilakukan analisis dimana nilai-nilai n
11
, n
12
, n
21
, n
22
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 n
11
, n
12
, n
21
, n
22
.
n
11
adalah jumlah bayi berat lahir rendah dari ibu yang memiliki riwayat merokok
(weight = 1, smoke = 1).
n
12
adalah jumlah bayi berat lahir normal dari ibu yang memiliki riwayat merokok
(weight = 0, smoke = 1).
n
21
adalah jumlah bayi berat lahir rendah dari ibu yang tidak memiliki riwayat merokok
(weight = 1, smoke = 0).




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 =
O
d
d
s

o
f

o
u
t
c
o
m
e

=

<
2
5
0
0
g
n
22
adalah jumlah bayi berat lahir normal dari ibu yang tidak memiliki riwayat merokok
(weight = 0, smoke = 0).
Sama seperti sebelumnya, nilai-nilai n
11
, n
12
, n
21
, n
22
dihitung dengan menggunakan fungsi
tapply,
> tapply(count,lowbwt2[,1:2],sum)
sehingga diperoleh hasil:
smoke
weight 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:
Exposure
Outcome 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 n
11
, n
12
, n
21
, n
22
. 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 n
11
: =COUNTIFS($B$2:$B$8860;"=<2500g";$C$2:$C$8860;"=smokers")
Untuk n
12
: =COUNTIFS($B$2:$B$8860;"=>=2500g";$C$2:$C$8860;"=smokers")
Untuk n
21
: =COUNTIFS($B$2:$B$8860;"=<2500g";$C$2:$C$8860;"=nonsmokers")
Untuk n
22
: =COUNTIFS($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.

Weight
Smoke
Total
Nonsmokers 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:

2
= 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
2
hitung = 100,03 > 3,84 =
2
0,05;1
dan p-value = 0,000 < 0,05 = 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
Total

BBLR 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 Fishers Exact Test. Statistik
uji Chi-square ditampilkan seperti di bawah ini:
Chi-Square Tests

Value df
Asymp. Sig. (2-
sided)
Exact Sig. (2-
sided)
Exact Sig. (1-
sided)
Pearson Chi-Square 100.029
a
1 .000

Continuity Correction
b
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)

Exposure
Outcome 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