Deskripsi Data dan Metodologi Studi


📝 Deskripsi Data dan Metodologi Studi

Step 1: Deskripsi Sampel Studi

a) Deskripsi Populasi Studi (Who or What was studied)

Studi ini menggunakan data dari National Health and Nutrition Examination Survey (NHANES), sebuah survei program utama yang dirancang untuk menilai status kesehatan dan gizi orang dewasa dan anak-anak di Amerika Serikat. Populasi studi secara keseluruhan adalah penduduk sipil, non-institusional di Amerika Serikat yang berasal dari semua usia, ras, dan latar belakang sosio-ekonomi.

b) Level of Analysis Studied (Tingkat Analisis)

Tingkat analisis yang digunakan adalah individual. Setiap observasi (baris data) merepresentasikan data kesehatan, gizi, dan demografi dari satu responden (orang).

c) Jumlah Observasi dalam Data Set

Jumlah observasi awal dalam dataset NHANES (tergantung pada siklus tahun yang dipilih) biasanya sekitar 10.000 responden yang diperiksa dan diwawancarai.

d) Deskripsi Sampel Analitik (Data Analytic Sample)

Sampel yang digunakan untuk analisis statistik akhir (data analytic sample) adalah 5.735 responden dewasa (berusia 18 hingga 80 tahun). Jumlah ini diperoleh setelah menggabungkan (merging) empat dataset terpisah (Demografi, Pengukuran Tubuh, dan Asupan Diet Hari 1 & 2) dan menghapus semua baris yang memiliki nilai hilang (missing values) pada variabel kunci yang digunakan dalam model (Indeks Massa Tubuh, Lingkar Pinggang, dan Rerata Natrium Harian).

Step 2: Prosedur Pengumpulan Data

a) Desain Studi yang Menghasilkan Data

Desain studi yang digunakan NHANES adalah Survei Cross-Sectional (Potong Lintang). Data dikumpulkan melalui wawancara rumah tangga (untuk data demografi, kesehatan, dan gizi) dan pemeriksaan fisik serta laboratorium yang komprehensif yang dilakukan di Mobile Examination Center (MEC).

b) Tujuan Asli Pengumpulan Data

Tujuan utama NHANES adalah untuk memantau status kesehatan dan gizi populasi AS dan untuk mengukur prevalensi penyakit dan faktor risikonya. Data ini digunakan oleh pemerintah dan peneliti untuk menetapkan standar nutrisi, merumuskan kebijakan kesehatan, dan mendukung penelitian biomedis dan gizi.

c) Cara Data Dikumpulkan

Pengumpulan data dibagi menjadi dua komponen utama:

  1. Wawancara Rumah Tangga: Dikumpulkan oleh pewawancara terlatih, mencakup demografi, riwayat kesehatan, dan pertanyaan gizi (termasuk wawancara diet 24 jam).

  2. Pemeriksaan Kesehatan (MEC): Dilakukan oleh tenaga kesehatan profesional, mencakup pengukuran antropometri (tinggi, berat, lingkar pinggang) dan pengumpulan sampel biologis (darah, urin) untuk pengujian laboratorium. Data asupan Natrium diperoleh dari rata-rata dua wawancara diet 24 jam.

d) Kapan Data Dikumpulkan

Data NHANES dikumpulkan secara berkelanjutan; studi ini menggunakan data dari siklus [Masukkan Siklus Tahun Data Anda, misalnya: 2017–2018].

e) Di Mana Data Dikumpulkan

Data dikumpulkan di lokasi acak di seluruh Amerika Serikat. Survei ini menggunakan desain pengambilan sampel probabilitas multi-tahap yang kompleks untuk memastikan sampel representatif secara nasional dari semua ras dan kelompok pendapatan.

Step 3: Deskripsi Variabel

a) Variabel yang Diukur

Jenis VariabelVariabel UtamaPengukuran
Variabel Respon (Y)Indeks Massa Tubuh (BMI)Diukur dalam satuan kilogram per meter persegi ($\text{kg/m}^2$). BMI adalah indikator berat badan relatif yang dihitung dari berat dan tinggi responden.
Variabel Penjelas (X)Rerata Natrium HarianDiukur dalam satuan miligram (mg). Ini adalah rata-rata asupan Natrium total dari makanan dan minuman yang dilaporkan responden selama dua sesi wawancara diet 24 jam.

b) Skala Respon Variabel

VariabelSkala ResponCatatan
Indeks Massa Tubuh (BMI)Rasio (Kontinu)Dapat memiliki nilai nol, intervalnya konsisten, dan nol memiliki arti (walaupun secara praktis BMI tidak pernah nol).
Rerata Natrium HarianRasio (Kontinu)Diukur dalam mg. Dapat memiliki nilai nol, dan intervalnya konsisten.

c) Manajemen Variabel

VariabelKeputusan Manajemen DataAlasan/Prosedur
Rerata Natrium Harian (X)Pembuatan Variabel Sekunder & Pengkodean Data Hilang: Variabel ini dibuat dengan merata-ratakan Natrium Hari 1 dan Natrium Hari 2. Jika hanya satu hari yang tersedia, nilai dari hari tersebut digunakan. Baris yang kedua nilai Natriumnya hilang dihapus dari sampel.Diperlukan untuk mengurangi kesalahan pengukuran diet dan meningkatkan validitas data.
Indeks Massa Tubuh (Y)Pengkodean Data Hilang: Baris yang memiliki nilai BMI hilang dihapus dari sampel analitik.BMI digunakan sebagai variabel dependen utama dalam analisis regresi.
Jenis Kelamin (Kontrol)Recoding & Variabel Dummy: Di-recode dari kode angka (1, 2) menjadi label ('Laki-laki', 'Perempuan') untuk frekuensi dan kemudian menjadi variabel dummy IS_FEMALE (0=Laki-laki, 1=Perempuan) untuk analisis regresi dan moderasi.Membuat variabel kategorikal mudah diinterpretasikan dan siap untuk model regresi.
Usia (Kontrol)Binning (Pengelompokan): Variabel kontinu (tahun) dikelompokkan menjadi empat kategori ordinar (misalnya, Dewasa Muda, Paruh Baya, Dewasa Tua, Senior) untuk analisis ANOVA.Diperlukan untuk menguji perbedaan rata-rata antara kelompok usia menggunakan ANOVA.

Overall Assessment (Penilaian Keseluruhan)

Laporan ini sangat kuat dalam mendefinisikan variabel dan keputusan manajemen data yang telah dilakukan. Deskripsi data analitik sangat jelas, menghubungkan proses penggabungan dan pembersihan data dengan ukuran sampel akhir.

(Optional) Bantuan untuk Menyempurnakan Laporan:

  1. Tautkan Prosedur dengan Variabel: Di bagian Step 3c, Anda telah membuat keputusan manajemen data yang sangat baik (misalnya, binning Usia dan BMI). Untuk memaksimalkan kejelasan, pastikan Anda menyebutkan bahwa binning BMI dan binning Usia adalah manajemen data yang dilakukan untuk pengujian Chi-Square dan ANOVA, sedangkan variabel kontinu BMI dan Rerata Natrium digunakan untuk Regresi dan Korelasi.

  2. Jelaskan Alasan Binning BMI: Anda bisa menambahkan catatan kecil di Step 3c bahwa BMI dikelompokkan menjadi kategori Kurus, Normal, Overweight, Obesitas berdasarkan pedoman klinis WHO untuk memudahkan interpretasi kesehatan masyarakat.

Komentar

Posting Komentar

Postingan populer dari blog ini

Entri Blog: Menggali Data Kesehatan dengan NHANES

Halo semuanya! Untuk proyek eksplorasi data kita minggu ini, saya telah memilih data set yang luar biasa kaya: National Health and Nutrition Examination Survey (NHANES) . Data ini dikumpulkan oleh CDC di AS dan memberikan pandangan mendalam tentang status kesehatan dan nutrisi populasi Amerika—sumber yang sempurna untuk menyelidiki hubungan antara gaya hidup dan kesehatan. Asosiasi yang Saya Ingin Pelajari Saya tertarik untuk meneliti bagaimana pola makan dapat memengaruhi kesehatan fisik. Secara spesifik, saya akan mengeksplorasi hubungan antara dua topik utama yang sering diperdebatkan dalam kesehatan masyarakat: Topik 1 (Variabel Utama): Obesitas/Kesehatan Antropometri Topik 2 (Variabel Prediktor): Asupan Natrium (Garam) Harian Intinya, saya ingin melihat: Apakah mengonsumsi banyak garam terkait dengan memiliki BMI dan lingkar pinggang yang lebih besar? Hipotesis Kerja Tinjauan literatur singkat saya menunjukkan bahwa sebagian besar penelitian cross-sectional memang menemukan kor...
Baca selengkapnya

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults The escalating global prevalence of obesity remains a critical public health challenge, driving increased morbidity and mortality associated with chronic diseases such as type 2 diabetes, cardiovascular disease, and certain cancers. Understanding the complex interplay of factors contributing to body mass index (BMI) and the progression to obese status is paramount for developing effective, targeted public health interventions. Traditional linear models often fail to capture the nuances of these relationships, necessitating the use of advanced predictive and clustering methods to identify high-risk subgroups and key non-linear determinants. Research Question Statement This study addresses the following research question: What is the differential association of key quantitative and categorical health and lifestyle variables—specifically age, gender, waist circumfere...
Baca selengkapnya

Entri Blog: Analisis Random Forest untuk Prediksi Obesitas

🌲 Entri Blog: Analisis Random Forest untuk Prediksi Obesitas Kami menggunakan model Random Forest Classifier untuk memprediksi status $\text{Obesitas}$ ( $\text{BMI} \ge 30$ , dikodekan sebagai 1) dari empat variabel penjelas: $\text{Rerata Natrium Harian}$ , $\text{Usia}$ ( $\text{RIDAGEYR}$ ), $\text{Lingkar Pinggang}$ ( $\text{BMXWAIST}$ ), dan $\text{Jenis Kelamin}$ ( $\text{IS\_FEMALE}$ ). Sintaks Random Forest Classifier Kami menggunakan 100 pohon ( n_estimators=100 ) dan membatasi kedalaman maksimum setiap pohon menjadi 5 ( max_depth=5 ) untuk menjaga keseimbangan antara kinerja dan kemampuan interpretasi. Python # Bagi data menjadi training (80%) dan testing (20%) X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2 , random_state= 42 ) # Inisialisasi model Random Forest rf_clf = RandomForestClassifier(n_estimators= 100 , max_depth= 5 , random_state= 42 ) # Latih model rf_clf.fit(X_train, Y_train) # Evaluasi model & Hitung Feature Importance ...
Baca selengkapnya