WEBVTT 1 00:00:10.300 --> 00:00:15.100 Mengenai ukuran sampel dan metode pengambilan sampel. Merupakan kebiasaan umum 2 00:00:15.100 --> 00:00:19.100 bagi kita orang India bahwa kapan pun kita pergi ke toko kelontong atau kapan pun 3 00:00:19.100 --> 00:00:22.700 kita pergi ke pasar sayur atau buah, sebelum membeli 4 00:00:22.700 --> 00:00:27.800 banyak sayuran, kita cenderung memeriksa 5 00:00:27.800 --> 00:00:32.800 sampel dari keseluruhan barang yang ingin kita 6 00:00:32.800 --> 00:00:36.800 beli. Misalnya, dalam kasus ini, di foto ini, orang 7 00:00:36.800 --> 00:00:42.100 tersebut mencoba menilai kualitas gandum dengan mengambil 8 00:00:42.100 --> 00:00:46.800 beberapa butir gandum. Oke, jadi ini tidak lain adalah 9 00:00:47.100 --> 00:00:52.200 konsep pengambilan sampel dalam penelitian medis. Dalam penelitian medis, yang 10 00:00:52.200 --> 00:00:57.500 ingin kita lakukan adalah memeriksa 11 00:00:57.500 --> 00:01:02.700 sampel untuk melakukan penelitian medis. Oke, kapan pun kita memiliki 12 00:01:02.700 --> 00:01:06.700 populasi target dan kita ingin melakukan penelitian terkait 13 00:01:06.800 --> 00:01:11.800 bidang medis tertentu. Sebagai contoh, katakanlah 14 00:01:11.900 --> 00:01:16.900 satu dokter ingin melakukan penelitian tentang diabetes dan 15 00:01:16.900 --> 00:01:21.600 katakanlah ulkus kaki pada diabetes. Oke, jadi populasi targetnya adalah 16 00:01:21.600 --> 00:01:26.700 kasus diabetes dewasa dan dia 17 00:01:26.700 --> 00:01:32.600 ingin memeriksa berapa banyak kasus diabetes yang memiliki ulkus 18 00:01:32.600 --> 00:01:38.300 kaki. Jadi apa yang akan dia lakukan? Tidak perlu menargetkan 19 00:01:38.300 --> 00:01:42.400 semua kasus diabetes di area praktiknya. Misalnya, 20 00:01:42.400 --> 00:01:46.800 dia berpraktik di kota Mumbai. Jadi di kota 21 00:01:46.800 --> 00:01:50.700 Mumbai, akan ada ribuan dan ratusan ribu orang yang 22 00:01:50.700 --> 00:01:54.300 mengidap diabetes. Kita hanya ingin memeriksa berapa 23 00:01:54.300 --> 00:01:58.500 persentase kasus diabetes yang memiliki ulkus kaki. Jadi apa 24 00:01:58.500 --> 00:02:03.700 yang akan dia lakukan? Dia akan mengumpulkan beberapa pasien dari 25 00:02:03.700 --> 00:02:08.400 Mumbai yang sudah terdiagnosis diabetes dan dia akan melakukan 26 00:02:08.400 --> 00:02:13.800 penelitiannya. Dia akan melakukan penelitian pada 27 00:02:13.800 --> 00:02:18.600 jumlah kasus diabetes yang sedikit ini. Jadi inilah konsep pengambilan sampel. 28 00:02:18.700 --> 00:02:24.400 Dalam pengambilan sampel, kita ingin melakukan penelitian tertentu mengenai 29 00:02:24.500 --> 00:02:28.600 topik medis tertentu atau topik medis atau sosial apa pun yang 30 00:02:28.600 --> 00:02:32.400 ingin kita teliti di komunitas itu, di populasi itu. Tidak 31 00:02:32.400 --> 00:02:37.100 perlu, tidak penting untuk mengikutsertakan semua pasien atau 32 00:02:37.100 --> 00:02:42.800 semua partisipan dari populasi. Kita bisa mengambil hanya beberapa 33 00:02:42.800 --> 00:02:46.800 dari mereka dan kita melakukan penelitian. Pengambilan sampel adalah metode ilmiah 34 00:02:48.200 --> 00:02:53.500 di mana beberapa anggota populasi dipilih sebagai perwakilan 35 00:02:53.500 --> 00:02:57.900 dari seluruh populasi. Ini adalah tahap penting dalam karya ilmiah 36 00:02:58.200 --> 00:03:02.300 dan jika diabaikan, hasilnya bisa menjadi tidak valid dan sia-sia. Jadi ini 37 00:03:02.300 --> 00:03:06.900 adalah salah satu bagian inti dari penelitian di bidang 38 00:03:06.900 --> 00:03:12.100 medis. Jadi jika kita menghindari metode pengambilan sampel ilmiah dan jika kita 39 00:03:12.400 --> 00:03:16.600 gagal menyebutkan bagaimana ukuran sampel dihitung dan 40 00:03:16.600 --> 00:03:20.500 bagaimana kita sampai pada kesimpulan untuk penelitian ini bahwa sebanyak ini 41 00:03:20.500 --> 00:03:25.800 sampel sudah cukup, maka itu bisa tidak valid dan semua 42 00:03:25.800 --> 00:03:29.800 penelitian bisa sia-sia. Istilah umum dalam sampel 43 00:03:30.000 --> 00:03:35.400 teknik sampling adalah populasi. Populasi adalah seluruh kumpulan individu 44 00:03:35.400 --> 00:03:40.700 atau objek yang memiliki karakteristik umum. Populasi terhingga, semua unit 45 00:03:40.700 --> 00:03:45.900 dapat dihitung sebelum sampling. Tak terhingga, semua unit tidak dapat didaftarkan. 46 00:03:47.900 --> 00:03:52.900 Sekarang populasi adalah seluruh metode di mana sampel sampling 47 00:03:52.900 --> 00:03:58.200 ukuran bisa ada di sana. Sampling adalah bagian kecil atau 48 00:03:58.200 --> 00:04:04.200 subset populasi yang dipilih untuk berpartisipasi dalam penelitian. Sekarang 49 00:04:05.000 --> 00:04:09.000 apa yang dimaksud dengan sampling? Sampel adalah bagian kecil dan sampling 50 00:04:09.000 --> 00:04:13.100 adalah proses memilih subjek yang representatif dari populasi. 51 00:04:13.600 --> 00:04:19.000 Itulah perbedaan antara sampel dan sampling. Sampel adalah jumlah 52 00:04:19.000 --> 00:04:24.200 kasus yang tepat, jumlah peserta tepat yang akan kita ambil 53 00:04:24.200 --> 00:04:29.200 ke dalam penelitian kita sementara sampling adalah proses memilih kasus ini 54 00:04:29.300 --> 00:04:34.600 atau proses memilih sampel ini. Jadi di sini kita memiliki target 55 00:04:34.600 --> 00:04:39.800 populasi di mana penelitian itu akan dilakukan. Di sini kita memiliki 56 00:04:39.900 --> 00:04:45.000 populasi studi yang akan dapat diakses. Populasi studi adalah populasi 57 00:04:45.000 --> 00:04:49.300 yang akan dapat diakses, akan tersedia untuk dimasukkan ke dalam 58 00:04:49.300 --> 00:04:54.400 penelitian dan dari populasi studi ini, kita akan memasukkan sampel ini, 59 00:04:55.000 --> 00:04:59.100 beberapa kasus ini dalam penelitian kita. Oke, jadi itulah dasar 60 00:04:59.500 --> 00:05:03.900 konsep di balik pemilihan jumlah kasus, jumlah peserta untuk 61 00:05:03.900 --> 00:05:09.200 penelitian dalam sampling. Jadi populasi target adalah 62 00:05:09.200 --> 00:05:13.800 populasi di mana kita ingin menggeneralisasi temuan kita. Katakanlah sebagai contoh, 63 00:05:13.800 --> 00:05:18.800 dalam penelitian ulkus kaki diabetes di kota Mumbai itu, 64 00:05:18.800 --> 00:05:23.400 dokter menemukan bahwa dari 200 kasus diabetes yang dipelajari, 65 00:05:23.500 --> 00:05:28.600 ada 40 kasus ulkus kaki. Itu berarti persentase 66 00:05:28.600 --> 00:05:34.000 ulkus kaki adalah 20% pada kasus diabetes. Dan 20% ini 67 00:05:34.400 --> 00:05:39.400 prevalensi ulkus kaki pada penderita diabetes, dapat digeneralisasi dalam 68 00:05:39.400 --> 00:05:43.800 populasi target dari semua kasus diabetes di kota 69 00:05:43.800 --> 00:05:48.900 Mumbai. Jadi kita bisa mengatakan bahwa di kota Mumbai, ada 70 00:05:48.900 --> 00:05:54.500 prevalensi 20% ulkus kaki diabetik dalam 71 00:05:54.500 --> 00:05:59.200 kasus diabetes. Meskipun kita baru saja mempelajari 200 kasus 72 00:05:59.200 --> 00:06:02.400 diabetes, bisa ada ribuan dan ratusan ribu kasus di 73 00:06:02.400 --> 00:06:07.600 kota Mumbai. Demikian pula, kita dapat menggeneralisasi ini pada skala yang lebih besar. 74 00:06:07.600 --> 00:06:12.700 Populasi studi adalah populasi yang Anda dapatkan aksesnya 75 00:06:12.800 --> 00:06:18.000 dan sampel adalah jumlah kasus yang tepat, orang 76 00:06:18.000 --> 00:06:21.700 yang kepadanya kita telah melakukan penelitian. Populasi studi bergantung pada 77 00:06:21.700 --> 00:06:26.900 pertanyaan penelitian, berapa banyak suntikan yang diterima orang setiap tahun di India? 78 00:06:26.900 --> 00:06:30.600 Oke, jadi apa populasi studinya dalam kasus ini? Itu 79 00:06:30.600 --> 00:06:35.600 akan menjadi populasi India. Jika populasi studi yang 80 00:06:35.600 --> 00:06:40.800 kita perlu melihat berapa banyak tenaga kesehatan yang mengalami tertusuk jarum setiap 81 00:06:40.800 --> 00:06:44.900 tiap tahun di India. Jadi apa itu cedera tertusuk jarum? Misalkan 82 00:06:44.900 --> 00:06:50.900 contohnya, seorang perawat mengambil sampel darah pasien. Secara tidak sengaja, 83 00:06:50.900 --> 00:06:56.300 apa yang terjadi adalah setelah mengambil sampel darah, jarum menusuk 84 00:06:56.400 --> 00:07:00.300 tangan perawat tersebut. Jadi apa ini? Ini adalah 85 00:07:00.300 --> 00:07:04.300 cedera tertusuk jarum. Jadi kita ingin tahu berapa banyak cedera 86 00:07:04.300 --> 00:07:09.600 tertusuk jarum yang dialami tenaga kesehatan setiap 87 00:07:09.600 --> 00:07:13.700 tahun. Jadi populasi penelitiannya adalah tenaga kesehatan di India. Jika 88 00:07:13.700 --> 00:07:16.800 kita ingin tahu berapa banyak rumah sakit yang memiliki kebijakan pencegahan 89 00:07:16.800 --> 00:07:20.300 cedera tertusuk jarum di India, apa populasi penelitiannya? Itu adalah 90 00:07:20.300 --> 00:07:25.000 jumlah rumah sakit di India. Jadi ini adalah cara kita 91 00:07:25.100 --> 00:07:30.100 dari pertanyaan penelitian, kita bisa menentukan apa yang menjadi 92 00:07:30.100 --> 00:07:35.100 populasi kita. Mengapa sampling diperlukan? Hal ini diperlukan untuk mendapatkan informasi dari 93 00:07:35.100 --> 00:07:40.700 populasi besar dan memastikan efisiensi penelitian. Untuk 94 00:07:40.700 --> 00:07:46.000 mendapatkan informasi yang lebih akurat, kita melakukan sampling. Istilah-istilah 95 00:07:46.000 --> 00:07:50.600 sampling adalah unit sampling atau unit sampling dasar yang merupakan 96 00:07:50.600 --> 00:07:55.000 unit elemen yang akan dijadikan sampel. Oke, jadi unit sampling dalam 97 00:07:55.000 --> 00:08:00.200 penelitian di mana kita ingin mengetahui berapa banyak rumah sakit yang memiliki 98 00:08:00.200 --> 00:08:04.600 kebijakan cedera tertusuk jarum. Di sini unit samplingnya adalah 99 00:08:04.600 --> 00:08:09.900 satu rumah sakit. Oke, satu rumah sakit akan menjadi unit elemen. 100 00:08:10.200 --> 00:08:13.100 Bukan pasien di rumah sakit itu atau dokter mana pun 101 00:08:13.100 --> 00:08:17.400 di rumah sakit itu karena pertanyaan penelitian kita adalah berapa banyak rumah sakit yang memiliki 102 00:08:17.500 --> 00:08:23.100 kebijakan cedera tertusuk jarum. Jadi di sini unit elemennya adalah satu 103 00:08:23.100 --> 00:08:28.300 rumah sakit tersebut. Dalam studi tentang ulkus kaki diabetik 104 00:08:28.300 --> 00:08:32.500 di kota Mumbai, unit elemen penelitian tersebut akan 105 00:08:32.500 --> 00:08:36.800 menjadi satu pasien diabetes di kota 106 00:08:36.800 --> 00:08:41.100 Mumbai. Oke. Jadi ini bisa berupa orang, ini bisa berupa 107 00:08:41.100 --> 00:08:44.900 tenaga kesehatan, ini bisa berupa rumah sakit. Oke, seperti yang telah saya jelaskan 108 00:08:45.600 --> 00:08:48.800 apa itu kerangka sampling? Itu adalah daftar semua unit 109 00:08:48.800 --> 00:08:53.800 sampling dalam populasi. Skema sampling, itu adalah metode yang digunakan 110 00:08:53.800 --> 00:08:57.200 untuk memilih unit sampling dari kerangka sampling. Jadi sekarang kita tahu 111 00:08:57.200 --> 00:09:01.500 apa itu unit sampling. Kerangka sampling, kita perlu memiliki daftar 112 00:09:01.500 --> 00:09:04.900 semua unit sampling dalam populasi. Jika kita ingin 113 00:09:04.900 --> 00:09:09.000 mempelajari jumlah rumah sakit dengan kebijakan cedera tertusuk jarum, kita perlu 114 00:09:09.000 --> 00:09:12.600 memiliki daftar semua rumah sakit di wilayah tertentu 115 00:09:12.600 --> 00:09:15.900 tempat kita ingin melakukan penelitian. Misalnya, di India, 116 00:09:16.000 --> 00:09:20.500 kita perlu memiliki daftar semua rumah sakit di India. Jika 117 00:09:20.500 --> 00:09:25.100 kita ingin mempelajari ulkus kaki diabetik, kita perlu 118 00:09:25.100 --> 00:09:29.200 memiliki daftar semua kasus diabetes di kota 119 00:09:29.200 --> 00:09:33.800 Mumbai. Skema sampling adalah metode yang digunakan untuk memilih unit sampling dari 120 00:09:33.800 --> 00:09:38.400 kerangka sampling. Jadi skema sampling adalah bagaimana tepatnya kita akan 121 00:09:38.400 --> 00:09:43.800 untuk memilih 200 kasus diabetes dari kota Mumbai yang 122 00:09:43.800 --> 00:09:48.200 yang mungkin memiliki ribuan hingga jutaan pasien diabetes. Oke. Jadi bagaimana 123 00:09:48.200 --> 00:09:53.600 tepatnya kita akan memilih kasus diabetes ini? Apakah 124 00:09:53.600 --> 00:09:59.400 sampel tersebut representatif dari segi waktu, tempat, dan orang? Apa 125 00:09:59.400 --> 00:10:04.400 arti representatif? Itu berarti 200 kasus yang 126 00:10:04.400 --> 00:10:09.400 kita pilih dalam studi diabetes kita, harus serupa 127 00:10:09.400 --> 00:10:14.800 dengan semua, contohnya, jika ada 200.000 kasus diabetes 128 00:10:14.800 --> 00:10:18.400 dalam studi di kota Mumbai. Dari 200.000 129 00:10:18.400 --> 00:10:23.800 kasus diabetes, kita telah mengambil 200 kasus diabetes 130 00:10:23.800 --> 00:10:29.400 untuk penelitian kita. Jadi kita mengambil 0,1% dari 131 00:10:29.400 --> 00:10:34.600 jumlah keseluruhan kasus diabetes. 200 dibagi 200.000 132 00:10:34.600 --> 00:10:39.600 dikali 100 menjadi persentase yaitu 0,1 133 00:10:39.700 --> 00:10:45.000 persen. Oke. Jadi dari segi waktu, apakah semua 134 00:10:45.000 --> 00:10:50.200 memiliki diabetes dengan durasi yang serupa, apakah semuanya tinggal di 135 00:10:50.500 --> 00:10:55.800 area kumuh perkotaan atau di area gedung tinggi 136 00:10:55.800 --> 00:11:00.600 atau di area kelompok berpenghasilan tinggi. Dan dari segi 137 00:11:01.400 --> 00:11:06.900 orang, apakah distribusi laki-laki dan perempuan, distribusi usia serupa di 138 00:11:06.900 --> 00:11:10.200 200 kasus yang akan kita teliti jika dibandingkan dengan 139 00:11:10.200 --> 00:11:14.600 populasi 200.000 tersebut. Jadi apakah sampel tersebut representatif 140 00:11:14.600 --> 00:11:18.800 satu. Contohnya, Kementerian Kesehatan negara X ingin 141 00:11:18.800 --> 00:11:23.000 mengestimasi proporsi anak-anak di sekolah dasar yang telah 142 00:11:23.000 --> 00:11:28.000 diimunisasi terhadap penyakit menular anak. Jadi kita memiliki berbagai penyakit 143 00:11:28.000 --> 00:11:33.000 menular anak dan di suatu negara Kementerian Kesehatan ingin 144 00:11:33.000 --> 00:11:38.300 melihat berapa persen anak di sekolah dasar yang 145 00:11:38.300 --> 00:11:43.200 diimunisasi. Tugas ini harus diselesaikan dalam satu bulan. Kita hanya punya 146 00:11:43.200 --> 00:11:46.900 satu bulan. Tujuannya adalah mengestimasi proporsi anak yang diimunisasi. 147 00:11:47.900 --> 00:11:53.000 Jenis-jenis pengambilan sampel. Jadi di sini apa tantangannya, tantangan terbesar 148 00:11:53.100 --> 00:11:58.100 adalah hanya dalam satu bulan, kita tidak bisa melihat 149 00:11:58.100 --> 00:12:03.200 seluruh negara. Seluruh negara akan memiliki jutaan hingga miliaran 150 00:12:03.200 --> 00:12:08.100 anak yang bersekolah di sekolah dasar. Tapi dalam satu bulan, kita hanya 151 00:12:08.100 --> 00:12:12.400 bisa melakukan beberapa sekolah dan kita bisa memeriksa beberapa 152 00:12:12.400 --> 00:12:17.000 jumlah anak saja. Jenis-jenis pengambilan sampel secara luas diklasifikasikan menjadi 153 00:12:17.000 --> 00:12:22.200 pengambilan sampel probabilitas dan pengambilan sampel non-probabilitas. Pengambilan sampel probabilitas meliputi acak sederhana 154 00:12:22.200 --> 00:12:27.400 pengambilan sampel, acak berstrata, sistematis, dan pengambilan sampel klaster, 155 00:12:27.500 --> 00:12:33.200 multi-fase dan pengambilan sampel bertahap. Pengambilan sampel non-probabilitas meliputi purposif, kuota, 156 00:12:33.300 --> 00:12:38.300 snowball, sekuensial, dan kenyamanan. Oke. Jadi ini adalah 157 00:12:38.300 --> 00:12:43.300 perbedaan dasar antara pengambilan sampel probabilitas dan non-probabilitas. Seperti 158 00:12:43.300 --> 00:12:48.600 namanya, pengambilan sampel probabilitas, setiap 159 00:12:50.500 --> 00:12:55.700 orang, setiap individu, setiap unit, setiap unit sampel dalam kerangka 160 00:12:55.700 --> 00:13:00.800 sampel akan memiliki probabilitas ke-n 161 00:13:00.800 --> 00:13:05.000 untuk terpilih dalam pengambilan sampel probabilitas. Sedangkan pengambilan sampel non-probabilitas, tidak ada 162 00:13:05.000 --> 00:13:10.200 probabilitas seperti itu karena tidak ada rumus 163 00:13:10.200 --> 00:13:15.100 atau angka tertentu yang digunakan untuk memilih sampel. Oke, jadi 164 00:13:15.100 --> 00:13:19.200 itulah perbedaan mendasarnya. Apa itu pengambilan sampel probabilitas? Metode pengambilan sampel di mana 165 00:13:19.300 --> 00:13:23.200 setiap anggota populasi memiliki peluang yang sama untuk terpilih 166 00:13:23.200 --> 00:13:28.100 sebagai sampel. Satu-satunya metode pengambilan sampel yang memungkinkan penarikan kesimpulan yang valid 167 00:13:28.100 --> 00:13:33.300 tentang populasi. Pengambilan sampel acak yang merupakan yang pertama dalam 168 00:13:33.300 --> 00:13:37.800 hal pengambilan sampel probabilitas. Ini menghilangkan kemungkinan bias dalam pemilihan 169 00:13:37.800 --> 00:13:42.600 subjek. Oke, apa itu bias? Bias adalah kesalahan yang bisa terjadi 170 00:13:42.700 --> 00:13:47.400 dalam pemilihan subjek. Pengambilan sampel acak memastikan bahwa setiap subjek memiliki 171 00:13:47.400 --> 00:13:52.200 probabilitas yang diketahui untuk dipilih dan memungkinkan penerapan teori 172 00:13:52.200 --> 00:13:56.700 statistik. Kesalahan pengambilan sampel, tidak ada sampel yang merupakan cerminan sempurna dari 173 00:13:56.700 --> 00:14:01.800 populasi. Besarnya kesalahan dapat diukur dalam sampel probabilitas yang dinyatakan 174 00:14:01.800 --> 00:14:06.200 sebagai kesalahan standar dari proporsi rata-rata atau perbedaan dan fungsi dari 175 00:14:06.200 --> 00:14:10.300 ukuran sampel dan variabilitas dalam pengukuran dapat dilakukan oleh kesalahan pengambilan sampel. 176 00:14:11.100 --> 00:14:15.100 Apa prinsip pengambilan sampel acak sederhana? Ada peluang yang sama untuk setiap 177 00:14:15.100 --> 00:14:19.900 prosedur unit pengambilan sampel. Pertama, kita perlu menomori semua unit dan 178 00:14:19.900 --> 00:14:23.600 kemudian kita perlu menarik unit secara acak. Oke, jadi kita punya 200.000 179 00:14:23.600 --> 00:14:27.300 kasus diabetes di kota Mumbai. Apa yang kita lakukan adalah 180 00:14:27.400 --> 00:14:32.700 kita mendaftar dan menomori semua 200.000 kasus diabetes dari 181 00:14:32.700 --> 00:14:37.300 1 sampai 200.000 dan jika ukuran sampel kita 200, yang kita 182 00:14:37.300 --> 00:14:42.400 lakukan adalah kita menarik 200 nomor secara acak dari 183 00:14:42.400 --> 00:14:47.600 200.000 sampel ini. Oke. Keuntungannya sederhana dan pengambilan sampel 184 00:14:47.600 --> 00:14:52.500 kesalahan mudah diukur. Kekurangannya kita memerlukan daftar lengkap unit dan 185 00:14:52.500 --> 00:14:57.600 ini tidak mencapai representasi terbaik. Oke. Jadi ada 186 00:14:57.600 --> 00:15:02.800 pengambilan sampel acak sederhana dan angka acak dapat diperoleh 187 00:15:02.800 --> 00:15:07.800 dari buku biostatistik, buku metodologi penelitian di mana daftar angka acak 188 00:15:07.800 --> 00:15:12.800 akan disediakan atau kita bisa langsung ke perangkat lunak untuk 189 00:15:13.500 --> 00:15:18.700 penelitian biostatistik, penelitian medis yaitu EP info dan 190 00:15:18.700 --> 00:15:23.500 perhitungan situs web juga tersedia daring di EP info. Jadi 191 00:15:24.000 --> 00:15:27.200 setelah akhir kuliah ini, kita akan melihat bagaimana kita bisa 192 00:15:27.300 --> 00:15:32.300 mendapatkan daftar angka acak dari perangkat lunak EP info dan 193 00:15:32.300 --> 00:15:37.400 kita juga akan melakukan satu perhitungan ukuran sampel di perangkat lunak tersebut. 194 00:15:37.600 --> 00:15:41.100 Oke, jadi ini adalah contoh pengambilan sampel acak sederhana. Di sini kita 195 00:15:41.100 --> 00:15:45.400 memiliki daftar 1 sampai 48 dan dari 1 sampai 48 ini 196 00:15:45.400 --> 00:15:50.600 secara acak kita memilih empat kasus ini. Jadi nomor sembilan Dennis, nomor 197 00:15:50.600 --> 00:15:55.700 18 Frank, nomor 32 Mike, nomor 40 LM kita pilih 198 00:15:55.700 --> 00:16:00.700 ke dalam sampel kita. Apa itu pengambilan sampel sistematis? Unit yang ditarik setiap 199 00:16:00.700 --> 00:16:06.100 K unit. Jadi di sini kita memiliki angka yang berulang dan 200 00:16:06.100 --> 00:16:11.200 kita mengambil setiap angka tersebut. Peluang yang sama untuk ditarik 201 00:16:11.400 --> 00:16:16.200 dari setiap prosedur unit. Pertama, kita perlu menghitung interval pengambilan sampel. 202 00:16:16.200 --> 00:16:20.000 K sama dengan N dibagi N. Jadi, apa interval 203 00:16:20.000 --> 00:16:24.400 pengambilan sampel ini? Sebagai contoh, dalam studi diabetes, kita memiliki 200.000 kasus diabetes. 204 00:16:25.300 --> 00:16:29.200 N besar adalah populasi keseluruhan. Jumlahnya 200.000. N kecil adalah 205 00:16:29.200 --> 00:16:33.800 ukuran sampel kita. Jumlahnya 200. Jadi 200.000 dibagi 200 itu 206 00:16:33.800 --> 00:16:39.000 menjadi 1.000. Kita perlu melihat angka acak yang kurang dari 207 00:16:39.100 --> 00:16:42.700 K yaitu kurang dari 1.000 untuk memulai. Katakanlah sebagai contoh, angka 208 00:16:42.700 --> 00:16:48.100 acak kita adalah 125. Jadi ini adalah angka acak 125. 209 00:16:48.500 --> 00:16:52.700 Setiap unit K dari unit pertama, kita dapat memilih dan kita 210 00:16:52.700 --> 00:16:58.500 dapat menyiapkan sampel. Jadi 125 ditambah 211 00:16:59.400 --> 00:17:04.600 pasien pertama akan menjadi nomor 125. Pasien kedua akan menjadi 212 00:17:04.800 --> 00:17:10.100 1.125. Pasien ketiga akan menjadi 2.125. Pasien keempat 213 00:17:10.100 --> 00:17:15.200 akan menjadi 3.125 karena K atau interval pengambilan sampel 214 00:17:15.200 --> 00:17:20.300 di sini adalah 1.000. Itu berarti dari 200.000 pasien, kita perlu 215 00:17:20.300 --> 00:17:25.100 memiliki 200 kasus diabetes dan untuk itu interval pengambilan sampel 1.000 216 00:17:25.100 --> 00:17:30.600 tersedia. Ketika kita telah memilih angka acak 125 setelah 217 00:17:30.600 --> 00:17:34.800 125 yang merupakan kasus pertama, pasien pertama yang akan disertakan 218 00:17:34.800 --> 00:17:39.800 dalam studi. Setiap 1.000 kasus akan kita tambahkan ke 219 00:17:39.800 --> 00:17:45.200 penelitian kita. Kelebihan memastikan keterwakilan di seluruh daftar dan mudah diterapkan. 220 00:17:45.200 --> 00:17:50.500 Kekurangan berbahaya jika daftar memiliki siklus. Contoh pengambilan sampel sistematis 221 00:17:50.500 --> 00:17:55.400 jika kita ingin meneliti rumah tangga yang memiliki pasokan air minum 222 00:17:55.400 --> 00:18:01.000 bersih. Kita telah memilih sebuah kompleks perumahan 223 00:18:01.100 --> 00:18:05.500 dan kita telah menemukan interval pengambilan sampel yaitu delapan rumah atau 224 00:18:05.500 --> 00:18:09.800 interval pengambilan sampelnya adalah delapan. Kita mulai dengan rumah ketiga atau 225 00:18:09.800 --> 00:18:13.800 rumah nomor tiga dan kita lanjut ke tiga ditambah delapan. 226 00:18:13.800 --> 00:18:17.500 1 2 3 4 5 6 7 8. Ini adalah rumah 227 00:18:17.500 --> 00:18:22.000 ke-11. Jadi ini adalah interval pengambilan sampel delapan, rumah ke-11 akan 228 00:18:22.000 --> 00:18:27.200 kita tambahkan. Sekali lagi, kita akan lanjut delapan rumah 1 229 00:18:27.200 --> 00:18:31.000 2 3 4 5 6 7 8. Rumah ke-19 akan kita tambahkan 230 00:18:31.100 --> 00:18:36.300 lagi rumah ke-27, kemudian rumah ke-35, 231 00:18:36.400 --> 00:18:41.800 kemudian rumah ke-43, kemudian rumah ke-51. Jadi seperti 232 00:18:41.800 --> 00:18:46.400 ini setiap rumah kedelapan akan kita tambahkan dalam penelitian kita. Sekarang 233 00:18:46.400 --> 00:18:51.300 apa itu pengambilan sampel bertingkat (stratified)? Tadi itu adalah pengambilan sampel acak sistematis. Oke. Ini 234 00:18:51.300 --> 00:18:55.300 sekarang pengambilan sampel bertingkat. Apa itu pengambilan sampel bertingkat? Prinsipnya adalah mengklasifikasikan 235 00:18:55.300 --> 00:19:00.600 populasi ke dalam kelompok homogen seperti strata. Ambil sampel di setiap strata 236 00:19:00.600 --> 00:19:04.100 dan gabungkan hasil dari semua strata tersebut. Kelebihan lebih 237 00:19:04.100 --> 00:19:09.800 presisi jika variabel terkait dengan strata. Semua subkelompok terwakili 238 00:19:10.000 --> 00:19:14.900 memungkinkan kesimpulan terpisah tentang masing-masing subkelompok. Kekurangan kesalahan pengambilan sampel sulit 239 00:19:14.900 --> 00:19:19.900 untuk diukur. Hilangnya presisi jika jumlah kecil diambil sampelnya dalam masing-masing 240 00:19:19.900 --> 00:19:25.000 strata. Contoh pengambilan sampel bertingkat adalah untuk memperkirakan vaksinasi 241 00:19:25.000 --> 00:19:29.900 cakupan di suatu negara. Satu sampel diambil di setiap wilayah lalu 242 00:19:29.900 --> 00:19:34.900 estimasi dihitung untuk setiap strata. Baiklah, kita perlu membagi 243 00:19:35.600 --> 00:19:40.600 sampel ke dalam strata yang berbeda. Jadi untuk cakupan vaksinasi 244 00:19:40.600 --> 00:19:45.300 di negara ini, kita harus mengambil satu sampel dari tiap wilayah 245 00:19:45.300 --> 00:19:50.800 yakni wilayah India Utara, India Barat, India Timur, India Selatan, negara bagian 246 00:19:51.400 --> 00:19:56.700 Timur Laut. Jadi kita bagi menjadi lima wilayah dan kita ambil sampel 247 00:19:56.700 --> 00:20:01.700 dari setiap wilayah dan kita hitung estimasinya dari 248 00:20:01.700 --> 00:20:06.800 setiap strata. Setiap strata dibobotkan untuk memperoleh estimasi bagi 249 00:20:06.800 --> 00:20:11.000 suatu negara. Sekarang, apa itu pengambilan sampel klaster? Prinsipnya adalah sampel acak 250 00:20:11.000 --> 00:20:15.100 dari kelompok atau klaster unit yang akan disertakan dalam 251 00:20:15.100 --> 00:20:20.400 penelitian. Semua atau sebagian unit disertakan dari klaster yang terpilih. 252 00:20:20.700 --> 00:20:24.500 Keunggulannya adalah sederhana, tidak perlu daftar unit dan lebih sedikit perjalanan 253 00:20:24.500 --> 00:20:27.600 atau sumber daya yang dibutuhkan. Izinkan saya memberi contoh 254 00:20:27.600 --> 00:20:32.800 pengambilan sampel klaster untuk proyek Indra Dhanush yang kami lakukan 255 00:20:32.800 --> 00:20:36.800 beberapa tahun lalu. Apa yang perlu kami lakukan adalah kami 256 00:20:36.800 --> 00:20:42.200 perlu memeriksa status imunisasi suatu distrik. Yang kami 257 00:20:42.400 --> 00:20:48.200 lakukan adalah membuat klaster dari tujuh desa 258 00:20:48.200 --> 00:20:53.200 di distrik tersebut dan dari tiap klaster kami pilih 30 kasus 259 00:20:53.200 --> 00:20:58.000 anak di bawah usia lima tahun. Jadi apa keuntungannya? 260 00:20:58.000 --> 00:21:02.600 Kami tidak memerlukan daftar seluruh anak dari semua 261 00:21:02.600 --> 00:21:07.700 desa. Kami hanya memilih tujuh desa secara acak dan kami pergi ke 262 00:21:07.700 --> 00:21:11.500 desa-desa tersebut dan memilih 30 anak secara acak yang berusia di bawah lima 263 00:21:11.500 --> 00:21:15.100 tahun dari tiap desa. Jadi ini adalah pengambilan sampel klaster 264 00:21:15.100 --> 00:21:19.500 di mana kami mengambil klaster dari tujuh desa berbeda dan di 265 00:21:19.500 --> 00:21:24.800 dalam satu klaster tersebut kami mengambil 30 kasus. Kekurangannya tidak presisi 266 00:21:24.800 --> 00:21:30.000 jika klaster bersifat homogen dan sampling eror sulit diukur. Unit 267 00:21:30.000 --> 00:21:33.300 samplingnya bukan subjek melainkan kelompok subjek. Jadi 268 00:21:33.300 --> 00:21:38.500 setiap kelompok yang terdiri dari 30 anak di bawah lima tahun dari desa tersebut adalah 269 00:21:38.700 --> 00:21:42.400 unit samplingnya. Diasumsikan bahwa variabilitas antar klaster 270 00:21:42.400 --> 00:21:46.300 minimal. Variabilitas di dalam tiap klaster adalah apa yang diamati dalam 271 00:21:46.300 --> 00:21:51.600 populasi umum. Dua tahap pengambilan sampel klaster, tahap pertama adalah probabilitas proporsional 272 00:21:51.600 --> 00:21:55.700 terhadap ukuran. Pilih jumlah klaster yang akan disertakan. Hitung 273 00:21:55.700 --> 00:21:59.200 daftar kumulatif populasi di tiap unit dengan 274 00:21:59.200 --> 00:22:02.600 total keseluruhan. Bagi total keseluruhan dengan jumlah klaster dan 275 00:22:02.600 --> 00:22:08.000 dapatkan interval sampling. Jadi bagaimana tepatnya kita mengetahui 276 00:22:08.000 --> 00:22:11.100 berapa banyak desa yang harus disertakan? Untuk itu, kita perlu 277 00:22:11.100 --> 00:22:15.600 memiliki jumlah klaster, total jumlah desa yang 278 00:22:15.600 --> 00:22:20.300 akan tersedia di distrik tersebut. Katakanlah sebagai contoh, ada 140 279 00:22:20.300 --> 00:22:25.300 desa di distrik tersebut. Dan kita mendapatkan 280 00:22:25.400 --> 00:22:30.400 interval sampling sebesar 20. Jadi untuk setiap 281 00:22:30.700 --> 00:22:35.400 satu desa, untuk setiap 20 desa, kami harus meneliti satu desa 282 00:22:35.400 --> 00:22:40.400 untuk studi khusus itu. Interval pengambilan sampel adalah 20 dan jumlah total 283 00:22:40.400 --> 00:22:44.900 desa di distrik tersebut adalah 140. Jadi kami membagi 140 dengan 284 00:22:44.900 --> 00:22:49.300 interval pengambilan sampel 20. Jadi kami mendapatkan sampel klaster sebanyak tujuh. 285 00:22:49.400 --> 00:22:54.800 Baik. Pilih angka acak dan identifikasi klaster pertama. Jadi 286 00:22:54.900 --> 00:23:00.700 kami memberi nomor pada semua, semua desa dari 1 sampai 140 287 00:23:00.800 --> 00:23:05.300 dan kami mulai dengan desa ketiga dan setiap ketujuh setiap ke-20 288 00:23:05.300 --> 00:23:10.500 desa kami pergi dan kami mengambil sampel. Jadi ketiga, ke-23, 289 00:23:10.700 --> 00:23:16.000 ke-43, ke-63, ke-83, seperti itulah kami memilih tujuh 290 00:23:16.000 --> 00:23:20.700 desa. Tambahkan interval pengambilan sampel dan identifikasi klaster kedua. Dengan mengulangi 291 00:23:20.700 --> 00:23:24.800 prosedur yang sama, identifikasi semua klaster. Dan tahap kedua adalah 292 00:23:24.800 --> 00:23:28.100 di setiap klaster pilih sampel acak menggunakan kerangka sampel 293 00:23:28.100 --> 00:23:33.100 subjek atau rumah tangga. Jadi dengan cara yang sama di desa juga kita bisa 294 00:23:33.100 --> 00:23:38.100 memilih dengan sampel angka acak yang berbeda. Anda bisa memilih 295 00:23:38.100 --> 00:23:43.200 30 kasus masing-masing. Ini semua mengenai pengambilan sampel klaster. Sekarang apa 296 00:23:43.200 --> 00:23:47.500 itu pengambilan sampel bertingkat? Seperti namanya, ini memiliki tahapan. Jadi 297 00:23:47.500 --> 00:23:52.700 ini adalah tahap satu, sebagian dari mereka yang berada di 298 00:23:52.700 --> 00:23:56.100 tahap satu akan masuk ke tahap dua. Sebagian dari 299 00:23:56.100 --> 00:23:58.600 mereka yang berada di tahap dua akan masuk ke tahap 300 00:23:58.600 --> 00:24:04.200 tiga. Jadi ini adalah pengambilan sampel bertahap. Prinsipnya adalah beberapa 301 00:24:04.200 --> 00:24:09.800 sampel berantai diperlukan dan beberapa unit statistik diperlukan. Keuntungannya adalah 302 00:24:10.000 --> 00:24:13.700 tidak diperlukan daftar populasi lengkap dan pendekatan lebih layak untuk 303 00:24:13.700 --> 00:24:19.100 populasi besar. Kekurangannya adalah harus membuat beberapa daftar sampel dan 304 00:24:19.100 --> 00:24:24.500 kesalahan pengambilan sampel sulit untuk diukur. Jadi pengambilan sampel bertingkat ini 305 00:24:24.900 --> 00:24:30.100 kami dari India, kami memilih tiga negara bagian 1 2 3 dan 306 00:24:30.100 --> 00:24:35.100 kami mengecualikan dua negara bagian ini dan dari satu negara bagian ini kami memilih 307 00:24:35.100 --> 00:24:38.900 tiga distrik 1 sampai 3 dan dari ketiga distrik ini kami memilih 308 00:24:38.900 --> 00:24:43.900 satu distrik dan kami menyertakan ketiga desa dari distrik tersebut dari 309 00:24:43.900 --> 00:24:47.500 seluruh negara India. Jadi ini adalah dari India kami 310 00:24:47.500 --> 00:24:52.500 memilih. Jadi dari total 27 desa kami telah memilih 311 00:24:52.500 --> 00:24:56.700 ketiga desa ini dari sembilan distrik ini dari total tiga negara bagian 312 00:24:56.800 --> 00:24:59.900 di negara India. Jadi inilah cara kami melakukan 313 00:25:00.330 --> 00:25:04.830 pengambilan sampel bertingkat. Pengambilan sampel multi-fase, pengambilan sampel dilakukan dalam fase yang berbeda. 314 00:25:05.030 --> 00:25:09.030 Bagian informasi dikumpulkan dari seluruh sampel dan sebagian informasi 315 00:25:09.030 --> 00:25:14.030 dari sub-sampel. Di sini setiap sampel dipelajari secara memadai sebelum sampel lain 316 00:25:14.030 --> 00:25:19.230 diambil darinya. Contoh studi tuberkulosis. Studi multi-fase tuberkulosis 317 00:25:19.230 --> 00:25:24.230 fase satu pertama tes Mantoux dilakukan kepada semua 318 00:25:24.230 --> 00:25:28.830 kasus yang dicurigai menderita tuberkulosis. Dari mereka yang 319 00:25:28.830 --> 00:25:33.830 Mantoux positif, kami akan melakukan rontgen, rontgen dada. 320 00:25:34.230 --> 00:25:38.730 Jadi apa yang akan terjadi? Tes Mantoux akan positif pada kasus yang dicurigai 321 00:25:38.730 --> 00:25:43.530 tuberkulosis. Mereka yang hasil tes Mantoux-nya negatif, tidak akan kami sertakan 322 00:25:43.530 --> 00:25:46.730 dalam fase dua. Kami hanya akan memasukkan mereka yang 323 00:25:47.330 --> 00:25:50.930 tes Mantoux-nya positif ke fase dua. Di fase dua, kami 324 00:25:50.930 --> 00:25:56.030 akan melakukan rontgen dada mereka. Untuk fase tiga, mereka yang hasil 325 00:25:56.030 --> 00:26:01.630 rontgen dadanya positif saja yang akan lanjut ke pemeriksaan sputum. 326 00:26:01.630 --> 00:26:06.130 Pemeriksaan tersebut bisa berupa mikroskopi sputum atau CBNAAT 327 00:26:06.230 --> 00:26:11.230 yaitu penilaian sputum berbasis tes amplifikasi asam nukleat. 328 00:26:12.030 --> 00:26:16.930 Jadi ini adalah pengambilan sampel bertahap. Mereka yang butuh pemeriksaan sputum 329 00:26:16.930 --> 00:26:20.930 akan lebih sedikit dibandingkan dengan semua kasus yang telah kami 330 00:26:20.930 --> 00:26:26.530 pelajari melalui tes Mantoux, oke? Perbedaan antara multipleks 331 00:26:26.530 --> 00:26:31.530 dan multi-tahap adalah kerangka pengambilan sampel multi-tahap berbeda di setiap tahap, sementara 332 00:26:31.830 --> 00:26:35.930 multi-fase adalah sampel diambil dari fase yang sama. Ini digunakan 333 00:26:35.930 --> 00:26:40.230 ketika anggaran tidak mencukupi untuk mengumpulkan data dari seluruh sampel. 334 00:26:41.230 --> 00:26:44.230 Jadi itulah pembahasan tentang pengambilan sampel probabilitas. Sekarang beralih ke 335 00:26:44.230 --> 00:26:49.230 pengambilan sampel non-probabilitas, harap ingat untuk studi berbasis rumah sakit, 336 00:26:49.330 --> 00:26:54.430 metode pengambilan sampel yang paling umum digunakan adalah non-probabilitas. Untuk 337 00:26:54.430 --> 00:26:59.730 studi komunitas, studi epidemiologi, dan penelitian lapangan, sangat penting 338 00:26:59.730 --> 00:27:05.030 bahwa metode pengambilan sampel yang digunakan adalah probabilitas. Studi berbasis 339 00:27:05.030 --> 00:27:09.830 komunitas yang dilakukan dengan menggunakan metode non-probabilitas 340 00:27:09.830 --> 00:27:14.830 bukanlah jenis penelitian medis yang baik. Jadi untuk 341 00:27:14.930 --> 00:27:19.930 studi berbasis komunitas, pengambilan sampel probabilitas adalah metode terbaik untuk 342 00:27:19.930 --> 00:27:25.330 digunakan, dan untuk studi berbasis rumah sakit, kita bisa menggunakan non-probabilitas, atau 343 00:27:25.430 --> 00:27:30.030 untuk beberapa studi tertentu kita juga menggunakan non-probabilitas. Kita 344 00:27:30.030 --> 00:27:34.630 akan membahasnya satu per satu. Ini adalah metode sampling non-ilmiah. Setiap 345 00:27:34.630 --> 00:27:37.530 anggota populasi tidak diberikan kesempatan untuk menjadi bagian 346 00:27:37.530 --> 00:27:41.530 dari sampel. Pemilihan bergantung pada penilaian peneliti. Apa itu 347 00:27:41.530 --> 00:27:47.130 penilaian sampling? Ini adalah pengambilan sampel bertujuan atau disengaja. Pengambilan sampel 348 00:27:47.130 --> 00:27:51.630 kuota, memilih 10 pasien dari setiap bagian. Jadi pengambilan sampel kuota adalah 349 00:27:51.630 --> 00:27:56.030 kita perlu melihat bagaimana kepuasan pasien terhadap layanan yang diberikan 350 00:27:56.030 --> 00:27:59.830 di rumah sakit. Jadi untuk itu, yang kami lakukan adalah memilih 351 00:27:59.830 --> 00:28:03.630 10 kasus dari setiap bangsal, 10 dari bangsal pria penyakit dalam, 10 352 00:28:03.630 --> 00:28:07.130 dari bangsal wanita penyakit dalam, 10 dari bangsal ginekologi, 10 dari 353 00:28:07.130 --> 00:28:11.130 bangsal bedah pria, bedah wanita, 10 dari ortopedi pria, ortopedi wanita, 354 00:28:11.330 --> 00:28:15.330 10 dari bangsal pediatrik pria dan wanita. Jadi kita memiliki metode 355 00:28:15.330 --> 00:28:20.630 pengambilan sampel kuota ini. Ini adalah sampling berstrata tanpa randomisasi. Sampling 356 00:28:20.630 --> 00:28:24.630 sekuensial, ini adalah sampling berurutan. Sejumlah sampel diambil satu 357 00:28:24.630 --> 00:28:28.630 demi satu dari populasi. Kita perlu mempelajari apa saja 358 00:28:29.330 --> 00:28:43.230 komplikasi pada diabetes. Jadi, 359 00:28:43.330 --> 00:28:46.830 sampling sekuensial, apa yang kita lakukan? Komplikasi pada kasus diabetes 360 00:28:46.830 --> 00:28:49.630 di rumah sakit yang ingin kita pelajari. Apa yang akan kita lakukan? Kita 361 00:28:49.630 --> 00:28:54.730 kita akan menerima pasien diabetes sesuai kedatangan mereka 362 00:28:54.730 --> 00:28:59.130 di rumah sakit satu per satu. Sekarang apa itu snowball 363 00:28:59.130 --> 00:29:03.930 sampling? Sampel awal dipilih dengan metode probabilitas dan sampel tambahan 364 00:29:03.930 --> 00:29:08.730 diperoleh melalui rujukan dari responden awal. Jadi snowball sampling adalah 365 00:29:08.730 --> 00:29:13.730 pertama-tama kita memilih proporsi kecil sampel dengan metode 366 00:29:13.730 --> 00:29:19.230 probabilitas dan karena kasus-kasus ini bersifat langka 367 00:29:19.230 --> 00:29:23.830 atau sulit untuk mendapatkan sampel, yang kita lakukan adalah 368 00:29:23.830 --> 00:29:29.830 kita merujuk kasus lain dari kasus yang sudah diketahui dari 369 00:29:29.830 --> 00:29:34.530 sampel awal ini, oke? Jadi saya ingat metode snowball sampling yang 370 00:29:34.530 --> 00:29:39.530 pernah kami lakukan untuk remaja laki-laki yang terlibat dalam 371 00:29:39.630 --> 00:29:43.430 penyalahgunaan narkoba suntik di daerah kumuh perkotaan Mumbai. Jadi itu 372 00:29:43.430 --> 00:29:46.930 adalah salah satu penelitian yang kami lakukan dan yang kami 373 00:29:46.930 --> 00:29:51.330 lakukan adalah kami mengidentifikasi empat atau lima remaja dengan metode 374 00:29:51.330 --> 00:29:56.630 sampling probabilitas yang diketahui sebagai pengguna narkoba suntik dan 375 00:29:56.730 --> 00:30:01.830 kami mendapatkan kepercayaan mereka. Kami katakan kepada mereka bahwa tidak ada 376 00:30:01.830 --> 00:30:04.830 tindakan hukum yang akan diambil. Kami hanyalah dokter. Kami ingin 377 00:30:04.830 --> 00:30:08.030 menanyakan mengapa Anda semua terlibat dalam hal ini dan kami ingin 378 00:30:08.030 --> 00:30:12.230 membantu Anda, oke? Jadi kemudian mereka terbuka dan mereka berkata 379 00:30:12.230 --> 00:30:15.730 oke, saya punya dua teman yang tinggal di gubuk ini. Saya punya 380 00:30:15.730 --> 00:30:20.930 dua teman yang tinggal di gang ini. Mereka juga terbiasa dengan 381 00:30:20.930 --> 00:30:25.730 penyalahgunaan narkoba suntik. Jadi begitulah jumlah sampel 382 00:30:25.730 --> 00:30:31.230 dengan rujukan dari lingkungan dekat ini terus meningkat 383 00:30:31.230 --> 00:30:35.730 dan begitulah cara kami melakukan snowball sampling ini. Ini berguna 384 00:30:35.730 --> 00:30:40.730 untuk menemukan kasus langka. Kemudian kita memiliki sensus sampling atau universe sampling. 385 00:30:40.830 --> 00:30:44.830 Studi yang menggunakan semua elemen atau anggota populasi yang tersedia. Katakanlah 386 00:30:44.830 --> 00:30:50.230 sebagai contoh, kita perlu mengetahui berapa tinggi rata-rata 387 00:30:50.530 --> 00:30:56.230 mahasiswa kedokteran yang diterima di sebuah fakultas 388 00:30:56.230 --> 00:31:00.530 kedokteran. Jadi apa yang akan kita lakukan? Kita akan menyertakan semua mahasiswa 389 00:31:00.530 --> 00:31:04.130 MBBS yang telah diterima di fakultas kedokteran tertentu di suatu 390 00:31:04.130 --> 00:31:08.930 kota. Katakanlah sebagai contoh, ada 200 per angkatan dan ada 391 00:31:08.930 --> 00:31:13.030 empat angkatan MBBS dan satu angkatan dokter magang. Jadi kita memiliki 1.000 mahasiswa 392 00:31:13.030 --> 00:31:16.430 kedokteran di fakultas kedokteran tersebut. Jadi apa yang akan kita lakukan? Kita akan 393 00:31:16.530 --> 00:31:20.830 menggunakan metode sampling universal dan kita akan menyertakan semua 1.000 394 00:31:20.830 --> 00:31:25.630 kasus, semua 1.000 mahasiswa kedokteran untuk memeriksa tinggi rata-rata mereka. Ketika 395 00:31:25.630 --> 00:31:30.630 populasi Anda sangat kecil, ketika Anda memiliki sumber daya yang luas dan 396 00:31:30.630 --> 00:31:34.030 ketika Anda tidak mengharapkan respons yang sangat tinggi. Jadi apa yang akan Anda 397 00:31:34.030 --> 00:31:38.430 lakukan? Kita sertakan mereka semua dalam studi. Convenience sampling, apa 398 00:31:38.430 --> 00:31:42.430 yang sering kita gunakan dalam studi kita? Sampel disertakan sesuai 399 00:31:42.430 --> 00:31:48.730 kenyamanan peneliti dan jadi keunggulan dari probabilitas 400 00:31:49.130 --> 00:31:53.830 convenience sampling adalah mudah untuk mendapatkan sampel dan 401 00:31:53.830 --> 00:31:57.830 efektif dalam menguji instrumen serta digunakan dalam studi kualitatif dan kekurangan 402 00:31:57.830 --> 00:32:02.930 dari pengambilan sampel non-probabilitas adalah kurangnya generalisasi, tidak representatif, dan terdapat 403 00:32:02.930 --> 00:32:06.830 kesalahan pengambilan sampel. Sekarang sebelum lanjut ke penghitungan ukuran sampel, 404 00:32:06.830 --> 00:32:11.930 ada sebuah pertanyaan. Diya bertanya di mana bias 405 00:32:11.930 --> 00:32:16.930 yang mungkin muncul dalam pengambilan sampel sistematis terutama dengan pola berkala 406 00:32:16.930 --> 00:32:21.230 dalam populasi. Jadi yang terjadi adalah kapan pun ada pengambilan sampel 407 00:32:21.230 --> 00:32:25.830 sistematis yang akan kita lakukan, tetap saja mungkin tidak 408 00:32:25.930 --> 00:32:30.130 mewakili populasi secara total karena meskipun kita melakukannya 409 00:32:30.130 --> 00:32:34.730 secara sistematis, bahkan jika kita mencoba menghilangkan semua bias, ada 410 00:32:34.730 --> 00:32:38.830 peluang bahwa sampel yang telah kita kumpulkan tidak 411 00:32:38.830 --> 00:32:45.330 benar-benar mewakili seluruh sampel, oke? Jadi sekarang seperti 412 00:32:45.930 --> 00:32:50.130 yang sudah saya katakan bahwa kita perlu mendapatkan nomor 413 00:32:50.130 --> 00:32:55.530 acak untuk pengambilan sampel acak, oke? 414 00:32:55.530 --> 00:33:00.830 Jadi pengambilan sampel acak sistematis kita perlu memiliki 415 00:33:01.430 --> 00:33:05.830 nomor acak, oke? Jadi saya akan bagikan kepada Anda semua. Silakan 416 00:33:05.830 --> 00:33:11.530 buka peramban web Anda agar Anda juga bisa melakukannya secara 417 00:33:11.530 --> 00:33:16.630 waktu nyata, oke? Saya harap Anda semua bisa melihat layar saya. Jadi 418 00:33:16.630 --> 00:33:25.330 di sini Anda harus membuka dan mengetik OpenEpi. Oke, 419 00:33:25.430 --> 00:33:28.630 jadi ini adalah menu untuk OpenEpi. Ini adalah perangkat lunak yang 420 00:33:29.230 --> 00:33:34.630 disiapkan dengan sangat baik. Ini juga tersedia di situs web daring untuk berbagai 421 00:33:35.430 --> 00:33:44.130 alat statistik. Di sini kita memiliki nomor acak, oke? Jadi 422 00:33:44.330 --> 00:33:48.030 jika kita ingin ini adalah contoh, penghasil nomor acak 423 00:33:48.030 --> 00:33:53.230 mereka menjelaskan modul ini menghasilkan sejumlah angka 424 00:33:53.230 --> 00:33:57.630 bulat acak tertentu dalam rentang yang diberikan. Untuk mendapatkan hasil desimal, hasilkan 425 00:33:57.630 --> 00:34:01.030 angka bulat lalu pindahkan titik desimal sesuai kebutuhan. Kita tidak butuh 426 00:34:01.130 --> 00:34:05.530 hasil desimal. Yang kita butuhkan adalah sekumpulan nomor 427 00:34:05.530 --> 00:34:10.830 acak dalam populasi tertentu, oke? Jadi nilai terendah penghasil 428 00:34:10.830 --> 00:34:16.330 nomor acak adalah satu, nilai tertinggi adalah berapa 429 00:34:16.330 --> 00:34:21.730 banyak kasus yang Anda butuhkan, oke? Jadi sebagai contoh, kita 430 00:34:21.730 --> 00:34:27.130 memerlukan total 200 kasus dari 1.000 431 00:34:27.130 --> 00:34:30.830 populasi. Jadi nilai terendah adalah satu, nilai tertinggi adalah 432 00:34:30.830 --> 00:34:36.230 1.000. Berapa kasus yang diperlukan? Kita memerlukan 200 kasus dan 433 00:34:36.230 --> 00:34:39.930 format ke dalam berapa kolom? Jadi lima kolom sudah oke lalu 434 00:34:39.930 --> 00:34:44.630 kita klik hitung. Jadi ini adalah daftar 200 nomor acak 435 00:34:44.830 --> 00:34:49.930 dari populasi satu sampai 1.000. Jadi jika dari 1.000 436 00:34:49.930 --> 00:34:55.430 mahasiswa kedokteran kita ingin melakukan studi menggunakan pengambilan sampel acak sederhana, 437 00:34:55.630 --> 00:35:00.530 kita bisa menyebutkan nomor 1.000 mahasiswa dari 438 00:35:00.530 --> 00:35:05.230 satu sampai 1.000. Kita perlu menambahkan nomor induk dan nama 439 00:35:05.330 --> 00:35:09.830 mahasiswa satu sampai 1.000 dan kita bisa menggunakan penghasil sampel 440 00:35:09.830 --> 00:35:14.430 acak ini dari OpenEpi dan Anda dapat mencantumkan ini dalam penelitian Anda, 441 00:35:14.530 --> 00:35:18.730 oke? Dalam metodologi, Anda perlu mengodekannya untuk penelitian saya, 442 00:35:18.830 --> 00:35:24.030 saya menggunakan penghasil nomor acak dari API terbuka. Anda bisa 443 00:35:24.030 --> 00:35:29.030 menyalin tautan ini dan Anda bisa menyalin tangkapan layar 444 00:35:29.030 --> 00:35:33.030 ini ke dalam proyek Anda atau untuk publikasi artikel Anda, 445 00:35:33.030 --> 00:35:38.030 Anda cukup menyebutkan bahwa Anda menggunakan nomor acak yang dihasilkan 446 00:35:38.030 --> 00:35:43.330 dari API terbuka. Oke, mari kita ambil contoh lain dari 447 00:35:43.330 --> 00:35:48.530 studi diabetes. Kami ingin memasukkan 200 kasus. Nilai tertingginya 448 00:35:48.530 --> 00:35:53.930 adalah 2 lakh. Kami memiliki 2 lakh kasus diabetes. Jadi 449 00:35:54.030 --> 00:35:58.130 satu sampai 2 lakh dan kami perlu menghitung 200 kasus 450 00:35:58.130 --> 00:36:03.130 diabetes, oke? Jadi di sini jika kami 451 00:36:03.130 --> 00:36:07.830 memiliki daftar 2 lakh pasien diabetes dan kami ingin 452 00:36:07.830 --> 00:36:12.830 memasukkan 200 kasus di sini, kami cukup memasukkan nomor-nomor ini. 453 00:36:12.830 --> 00:36:17.830 Jadi seperti nomor 41.976, nomor 4.499 akan 454 00:36:17.830 --> 00:36:21.830 disertakan dalam studi. Jadi ini adalah penghasil nomor acak dan 455 00:36:21.830 --> 00:36:27.030 yang kami perlukan oke. Jadi ada satu pertanyaan lagi. 456 00:36:27.630 --> 00:36:32.730 Bagaimana memperhitungkan variabilitas hasil saat menghitung ukuran sampel untuk 457 00:36:32.830 --> 00:36:38.130 studi multi-pusat, oke? Jadi ini adalah pertanyaan 458 00:36:38.130 --> 00:36:43.130 statistik yang sangat teknis. Ini akan memerlukan kuliah panjang 459 00:36:43.130 --> 00:36:48.230 atau bahkan kuliah yang lebih panjang untuk kalkulator hasil variabilitas saat 460 00:36:48.230 --> 00:36:53.230 menghitung ukuran sampel untuk studi multi-pusat. Namun dalam studi multi-pusat 461 00:36:53.230 --> 00:36:58.430 juga Anda dapat menggunakan jenis metode pengambilan sampel yang berbeda 462 00:36:58.430 --> 00:37:04.330 dan itu dapat digunakan untuk studi multi-pusat, oke? Jadi 463 00:37:04.330 --> 00:37:10.030 berikutnya kami akan melakukan sedikit 464 00:37:10.130 --> 00:37:15.130 perhitungan ukuran sampel untuk 465 00:37:15.130 --> 00:37:20.430 pengambilan sampel probabilitas dan untuk studi prevalensi, oke? Jadi 466 00:37:20.730 --> 00:37:25.630 untuk perhitungan ukuran sampel untuk studi deskriptif, rumus untuk ukuran 467 00:37:25.630 --> 00:37:30.030 sampel untuk studi deskriptif adalah n sama dengan p 468 00:37:30.730 --> 00:37:35.830 dikali satu dikurangi p dalam kurung z per e kuadrat, oke? 469 00:37:35.930 --> 00:37:39.230 Jadi apa simbol-simbol ini? Kita akan mengetahuinya. 470 00:37:42.330 --> 00:37:47.430 p di sini adalah estimasi proporsi yang diharapkan dengan variabel 471 00:37:48.230 --> 00:37:53.730 yang diminati dalam populasi. Jadi p 472 00:37:54.330 --> 00:38:00.130 apa yang kita miliki sebagai p adalah estimasi proporsi yang diharapkan 473 00:38:00.130 --> 00:38:04.930 dengan variabel, oke? Ini bisa berupa angka. Sebut saja contohnya 474 00:38:05.230 --> 00:38:10.230 untuk studi ulkus kaki diabetik, kami memiliki kasus 475 00:38:10.230 --> 00:38:14.930 diabetes. Untuk itu, kami memerlukan proporsi diabetes di 476 00:38:14.930 --> 00:38:19.530 India atau di daerah kumuh perkotaan atau di kota metropolitan India 477 00:38:19.830 --> 00:38:23.330 atau proporsi diabetes di seluruh dunia. Jadi proporsi mana pun 478 00:38:23.330 --> 00:38:26.430 ini bisa kami gunakan sebagai p. Jika dalam 479 00:38:26.430 --> 00:38:31.930 bentuk persentase untuk 10%, kami akan menggunakan 0,1. Untuk 480 00:38:32.030 --> 00:38:37.130 15,4%, kami akan menggunakan 0,154, 481 00:38:37.230 --> 00:38:42.330 oke? q di sini disebut di sini adalah 482 00:38:42.430 --> 00:38:46.330 satu dikurangi p, oke? Jadi q adalah satu dikurangi p. 483 00:38:47.130 --> 00:38:51.030 e kuadrat adalah e yang tidak lain adalah tingkat presisi. Kita bisa 484 00:38:51.030 --> 00:38:56.430 mengambil presisi sebesar 5%, 7%, atau 10%, lebih dari 485 00:38:56.430 --> 00:39:01.330 10% kita sebaiknya tidak mengambil e atau tingkat presisi tersebut. 486 00:39:01.330 --> 00:39:05.130 5% adalah tingkat presisi ideal yang dapat disertakan untuk 487 00:39:05.130 --> 00:39:10.330 perhitungan ukuran sampel. Empat tidak lain adalah z kuadrat. z 488 00:39:10.330 --> 00:39:15.530 adalah statistik untuk tingkat kepercayaan yang diinginkan yaitu 0,05 489 00:39:15.630 --> 00:39:20.730 yang menghasilkan 1,96 untuk interval kepercayaan 95%. 490 00:39:20.730 --> 00:39:25.330 z tidak lain adalah 1,96 yang dibulatkan menjadi dua. Jadi 491 00:39:25.330 --> 00:39:29.830 z kuadrat sesuai rumus ini, z kuadrat akan menjadi empat. 492 00:39:30.430 --> 00:39:34.830 Jadi rumus ini dalam istilah sederhana, ukuran sampel n adalah 493 00:39:34.830 --> 00:39:38.830 sama dengan empat dikali p dikali satu dikurangi p yang merupakan 494 00:39:38.830 --> 00:39:43.030 q dan dibagi dengan e kuadrat, oke? Jadi ini adalah rumus 495 00:39:43.030 --> 00:39:48.030 yang dapat Anda sebutkan dalam metodologi penelitian Anda bahwa 496 00:39:48.030 --> 00:39:52.230 penghitungan ukuran sampel Anda akan menggunakan rumus untuk penghitungan ukuran sampel 497 00:39:52.230 --> 00:39:55.430 dari proporsi yaitu n sama dengan empat pq 498 00:39:55.430 --> 00:40:00.230 per e kuadrat. Jadi mayoritas studi yang Anda lakukan dengan 499 00:40:00.330 --> 00:40:05.330 rumus ini akan dapat diterapkan. Contoh, jika kita ingin mempelajari prevalensi 500 00:40:05.330 --> 00:40:10.730 retinopati diabetik di permukiman kumuh perkotaan, proporsi yang diperlukan atau 501 00:40:10.730 --> 00:40:14.130 p yang akan kita gunakan adalah prevalensi diabetes atau 502 00:40:14.130 --> 00:40:19.130 prevalensi retinopati diabetik dari artikel penelitian dan 503 00:40:19.330 --> 00:40:23.430 kita bisa mengutip artikel penelitian ini dalam metodologi Anda pada 504 00:40:23.430 --> 00:40:28.430 penghitungan ukuran sampel bahwa artikel penelitian yang dilakukan oleh dalam 505 00:40:28.430 --> 00:40:33.230 kasus ini kumar et al. mereka telah melaporkan prevalensi diabetes 506 00:40:33.230 --> 00:40:37.530 sebesar 10,5% yang merupakan p sama dengan 10,5% 507 00:40:37.930 --> 00:40:43.130 yang sama dengan 0,105. q adalah satu dikurangi p yaitu 508 00:40:43.130 --> 00:40:48.330 0,895 dan mempertimbangkan kesalahan absolut 509 00:40:48.330 --> 00:40:53.530 sebesar 5% yaitu 0,05. Penghitungan ukuran sampel di sini 510 00:40:53.530 --> 00:40:57.030 adalah n sama dengan empat pq per e kuadrat. Ini 511 00:40:57.030 --> 00:41:03.730 akan menjadi empat dikali 0,105 dikali 0,895 512 00:41:03.830 --> 00:41:09.130 dibagi dengan e kuadrat. e yaitu 0,05 atau 5% 513 00:41:09.130 --> 00:41:15.030 akan menjadi sekitar 151. Jadi kita akan menulis bahwa 514 00:41:15.030 --> 00:41:19.830 kumar et al. melaporkan prevalensi diabetes sebesar 10,5 dan kita 515 00:41:19.930 --> 00:41:24.030 mengambil ukuran sampel untuk prevalensi retinopati diabetik ini di 516 00:41:24.030 --> 00:41:29.430 permukiman kumuh perkotaan. Ukuran sampel yang diambil adalah 151 atau 517 00:41:30.330 --> 00:41:35.730 angka apa pun yang lebih besar dari 151, oke? Jadi jika kita memiliki 160 kasus 518 00:41:35.730 --> 00:41:39.530 yang memenuhi syarat, kita akan menyertakan ke-160 kasus tersebut. Kita hanya akan menambahkan 519 00:41:39.530 --> 00:41:44.430 satu baris bahwa ukuran sampel yang dihitung adalah 151 tetapi kita memperoleh 520 00:41:44.430 --> 00:41:49.230 jumlah kasus yang lebih besar dari 151 seperti 160. Jadi kita sertakan semuanya 521 00:41:49.230 --> 00:41:53.230 160 kasus atau 200 kasus dalam studi kami. Ukuran sampel 522 00:41:53.530 --> 00:41:57.730 dihitung dari rumus ini haruslah ukuran sampel minimum. Setidaknya 523 00:41:57.730 --> 00:42:01.830 151 kasus diabetes harus disertakan dalam studi. Kurang 524 00:42:01.830 --> 00:42:05.230 dari itu tidak bisa, namun lebih dari itu tentu bisa. 525 00:42:06.330 --> 00:42:11.730 Oke? Jadi pesan utama dari ini adalah 526 00:42:11.730 --> 00:42:16.730 kita tidak bisa meneliti seluruh populasi. Jadi kita kurangi dalam 527 00:42:16.730 --> 00:42:20.630 bentuk sampel. Pengambilan sampel menyebabkan kesalahan pengambilan sampel yang 528 00:42:20.630 --> 00:42:25.830 dapat diukur, desain yang baik dan jaminan kualitas memastikan validitas, serta ukuran 529 00:42:25.830 --> 00:42:30.730 sampel yang tepat akan memastikan presisi. Sampel probabilitas adalah satu-satunya yang memungkinkan 530 00:42:30.730 --> 00:42:35.330 penggunaan statistik seperti yang kita ketahui dan untuk bacaan lebih lanjut Anda 531 00:42:35.330 --> 00:42:40.330 dapat membaca buku panduan penelitian 532 00:42:41.730 --> 00:42:45.830 di mana terdapat topik mengenai perhitungan ukuran sampel dan metode pengambilan sampel dalam 533 00:42:45.830 --> 00:42:50.830 penelitian. Oke? Jadi mari kita ambil contoh lain untuk 534 00:42:51.130 --> 00:42:56.330 perhitungan ukuran sampel menggunakan perangkat lunak OpenEpi, oke? 535 00:42:56.330 --> 00:43:01.530 Jadi di situs web OpenEpi yang sama Anda bisa menyebutkan, Anda bisa 536 00:43:01.530 --> 00:43:05.030 mengambil tangkapan layar ini. Untuk perhitungan ukuran sampel, Anda akan 537 00:43:05.030 --> 00:43:11.030 menggunakan openepi.com untuk perhitungan angka acak. Anda juga akan menggunakan openepi.com, 538 00:43:11.030 --> 00:43:16.030 oke? Jadi saya akan menggunakan contoh yang sama. Saya akan menunjukkan 539 00:43:16.030 --> 00:43:20.430 kepada Anda bagaimana kami mengetahui prevalensi diabetes sebesar 10,5% 540 00:43:20.630 --> 00:43:25.030 menggunakan artikel oleh Kumar et al., artikel ulasan oleh 541 00:43:25.030 --> 00:43:30.230 Kumar et al. menggunakan Google Scholar dan 151 yang kami dapatkan dari 542 00:43:30.230 --> 00:43:34.230 menggunakan rumus ini, tetapi dengan menggunakan Epi Info angkanya sedikit 543 00:43:34.230 --> 00:43:39.430 lebih rendah. Jadi mari kita coba. Tetaplah bersama saya 544 00:43:39.430 --> 00:43:44.430 selama beberapa menit lagi. Jadi 545 00:43:44.430 --> 00:43:49.630 kami ingin melakukan sebuah artikel. Kami ingin melakukan 546 00:43:50.530 --> 00:43:56.330 ukuran sampel. Kami ingin memeriksa ukuran sampel dari 547 00:43:56.430 --> 00:44:01.930 OpenEpi, oke? Jadi di sini pertama saya mencari 548 00:44:01.930 --> 00:44:06.430 tentang prevalensi diabetes di India di Google Scholar. Oke, ini 549 00:44:06.430 --> 00:44:09.930 bukan Google biasa. Ini Google Scholar atau dengan cara yang sama Anda bisa 550 00:44:09.930 --> 00:44:14.930 mencari di PubMed. Jadi kita mendapatkan berbagai artikel tentang epidemiologi 551 00:44:14.930 --> 00:44:19.130 diabetes tipe 2, prevalensi dan tren diabetes, prevalensi diabetes yang tinggi, 552 00:44:19.430 --> 00:44:23.530 epidemiologi diabetes tipe 2 di India dan ini adalah artikel 553 00:44:23.730 --> 00:44:26.730 oleh Kumar et al. di mana terdapat prevalensi diabetes 554 00:44:26.730 --> 00:44:31.230 di India, ulasan dari IDF Diabetes Atlas edisi ke-10. Ketika kami 555 00:44:31.230 --> 00:44:35.030 membuka tautan oleh Kumar et al. ini, kami mendapatkan prevalensi 556 00:44:35.030 --> 00:44:41.530 diabetes di India dan mereka melaporkan bahwa prevalensi 557 00:44:41.530 --> 00:44:47.030 diabetes di seluruh dunia diperkirakan menyerang 537 juta orang dewasa di seluruh dunia, 558 00:44:47.030 --> 00:44:52.130 oke? Dan itu sekitar 10,5% dari semua orang dewasa dalam rentang 559 00:44:52.130 --> 00:44:57.430 usia ini. Jadi ini adalah prevalensi 10,5% untuk diabetes 560 00:44:57.430 --> 00:45:01.130 di seluruh dunia, oke? Jadi kita bisa menggunakan prevalensi ini, tetapi lebih 561 00:45:01.230 --> 00:45:06.830 tepatnya jumlah kasus diabetes di India, oke? Menggunakan 562 00:45:06.830 --> 00:45:10.630 prevalensi ini, yang akan kita lakukan adalah kita akan pergi ke 563 00:45:10.830 --> 00:45:14.930 menu API terbuka. Kita akan pergi ke ukuran sampel. Kita akan 564 00:45:14.930 --> 00:45:20.830 pergi ke proporsi. Dalam proporsi, kita 565 00:45:20.830 --> 00:45:23.730 akan memasukkan data baru. Jadi ini adalah ukuran sampel dari 566 00:45:23.730 --> 00:45:29.330 proporsi dan di sini mereka telah menjelaskan bagaimana modul ini menghitung 567 00:45:29.330 --> 00:45:33.930 ukuran sampel dari proporsi, oke? Sekarang kita pergi ke 568 00:45:34.230 --> 00:45:39.530 masukkan data baru. Di sini kita butuh ukuran populasi. Tidak 569 00:45:39.530 --> 00:45:44.530 penting. Tidak wajib mengubah ukuran populasi ini. Jika kita 570 00:45:44.530 --> 00:45:48.430 tahu populasi pasti, misalnya di kota Mumbai, Anda 571 00:45:48.430 --> 00:45:52.130 tahu bahwa kota Mumbai memiliki 20 juta orang. Anda bisa memasukkan 572 00:45:52.130 --> 00:45:56.430 20 juta orang, oke? Atau biarkan saja seperti apa adanya. Antisipasi 573 00:45:56.630 --> 00:46:02.630 frekuensi antisipasi di sini. Kita mendapatkan frekuensi antisipasi sebesar 10,5%. 574 00:46:02.730 --> 00:46:08.830 Jadi di sini dalam persentase, oke? 10,5%. Tingkat kepercayaan, batas, 575 00:46:09.330 --> 00:46:14.030 persen atau presisi absolut. Jadi ini adalah presisi absolut e yang 576 00:46:14.030 --> 00:46:18.730 5%. Kita perlu menjaganya seperti itu dan efek desain 577 00:46:18.730 --> 00:46:24.330 ini juga satu yang harus kita jaga. Jadi 578 00:46:24.430 --> 00:46:30.230 untuk interval kepercayaan 95%, ukuran sampelnya menjadi 145. 579 00:46:30.330 --> 00:46:35.330 Apa yang kita hitung adalah 151. Itu karena kita 580 00:46:35.430 --> 00:46:40.530 telah mengambil z kuadrat sebagai empat, oke? Sebenarnya z 581 00:46:40.530 --> 00:46:46.330 kuadrat adalah 1,96 dikali kuadrat yang hasilnya sekitar 3,84 582 00:46:46.330 --> 00:46:51.230 sekian, oke? Namun karena itu, lima enam jumlah kasus 583 00:46:51.230 --> 00:46:55.830 lebih banyak yang kita dapatkan dari rumus empat pq per e kuadrat. 584 00:46:55.930 --> 00:47:00.030 Jadi ini adalah ukuran sampel 95% yang kita dapatkan yaitu 585 00:47:00.530 --> 00:47:05.630 145. Jika kita ingin melangkah lebih jauh ke kepercayaan 97% 586 00:47:05.630 --> 00:47:10.830 interval, ukuran sampel akan menjadi 177 atau interval kepercayaan 99%, 587 00:47:10.930 --> 00:47:16.330 ukuran sampel akan menjadi 250. Jadi dengan cara ini kita bisa menghitung 588 00:47:16.330 --> 00:47:22.230 ukuran sampel untuk berbagai penelitian. Misalnya, jika Anda ingin melakukan 589 00:47:22.230 --> 00:47:26.630 studi untuk prevalensi anemia pada kehamilan atau topik apa pun tentang 590 00:47:26.730 --> 00:47:31.830 anemia pada kehamilan, kita hanya perlu mencari artikel penelitian 591 00:47:31.930 --> 00:47:36.330 di Google Scholar. Berapa prevalensi anemia pada kehamilan? Jadi 592 00:47:36.830 --> 00:47:42.430 kita akan mencoba membuka jika prevalensi disebutkan di mana saja 593 00:47:42.830 --> 00:47:47.030 dan kita perlu menemukan angka yang mengutip prevalensi 594 00:47:47.130 --> 00:47:51.230 bahwa sekian prevalensi anemia pada kehamilan. Jadi 595 00:47:51.230 --> 00:47:55.230 di sini mereka mendapatkan prevalensi anemia keseluruhan pada wanita hamil 596 00:47:55.230 --> 00:48:00.730 sebesar 36,8%, oke? Yang sekitar 38%, 37%, 597 00:48:00.730 --> 00:48:06.030 maaf. Jadi kita bisa mengutip studi ini oleh Muhammad 598 00:48:06.030 --> 00:48:09.530 Karami dkk. Jadi ini adalah M Karami dkk. Jika kita 599 00:48:09.530 --> 00:48:14.030 ingin mengutip artikel ini, Anda bisa klik kutip dan 600 00:48:14.030 --> 00:48:18.830 Anda bisa menyalin kutipan gaya Vancouver dari sini dan Anda 601 00:48:18.830 --> 00:48:23.030 bisa langsung tekan ctrl c atau salin dan Anda bisa menyalin 602 00:48:23.930 --> 00:48:28.430 lalu tempel ke referensi Anda. Jadi M Karami dkk mengatakan 603 00:48:28.430 --> 00:48:34.230 bahwa prevalensi global anemia pada kehamilan adalah 37%. 604 00:48:34.530 --> 00:48:39.430 Sekarang kita ingin menghitung ukuran sampel untuk prevalensi anemia 605 00:48:39.430 --> 00:48:44.030 dalam kehamilan. Kita akan masuk ke menu open API, ukuran sampel, proporsi. 606 00:48:44.130 --> 00:48:48.430 Pada proporsi, kita akan masuk untuk memasukkan data baru. Frekuensi yang diantisipasi 607 00:48:48.430 --> 00:48:54.030 adalah 37%, interval kepercayaan, batas kepercayaan, atau presisi absolut adalah 5% 608 00:48:54.330 --> 00:48:59.130 dan kita tinggal tekan hitung. Untuk interval kepercayaan 95%, kita perlu 609 00:48:59.130 --> 00:49:04.230 menyertakan 359 kasus anemia, oke? 610 00:49:04.330 --> 00:49:08.330 Jadi begini cara menghitung ukuran sampel untuk berbagai 611 00:49:08.330 --> 00:49:13.030 penelitian dan jika Anda memiliki pertanyaan atau jika Anda ingin saya 612 00:49:13.030 --> 00:49:19.430 memandu Anda mengenai perhitungan ukuran sampel, ya. Jadi 613 00:49:21.830 --> 00:49:26.030 apa dampak tingkat atrisi yang diantisipasi terhadap ukuran sampel? Ya. 614 00:49:26.030 --> 00:49:30.130 Jadi ini pertanyaan yang sangat bagus dari peserta. Jadi 615 00:49:30.130 --> 00:49:35.630 untuk tingkat atrisi yang diantisipasi, Anda cukup menyertakan 10% 616 00:49:35.630 --> 00:49:40.730 sampel lebih banyak dalam penelitian Anda. Katakanlah misalnya, dalam sampel 617 00:49:40.730 --> 00:49:44.830 khusus untuk penelitian ini, kita mendapatkan ukuran sampel 359. Anda 618 00:49:44.830 --> 00:49:48.430 tambahkan saja satu baris untuk mengompensasi tingkat atrisi atau untuk 619 00:49:48.430 --> 00:49:52.830 mengompensasi kehilangan data, kehilangan tindak lanjut. Kita akan sertakan 620 00:49:52.830 --> 00:49:58.030 10% lebih banyak kasus. Itu adalah 359 ditambah 10% menjadi sekitar 621 00:49:58.030 --> 00:50:02.200 36 kasus dan totalnya menjadi sekitar 400 kasus. Jadi untuk 622 00:50:02.200 --> 00:50:07.400 penelitian khusus ini Anda bisa menyertakan 10% lebih banyak kasus 623 00:50:07.400 --> 00:50:11.900 dan Anda bisa menjustifikasi ukuran sampel yang dimodifikasi menjadi 400 624 00:50:11.900 --> 00:50:17.100 jumlah total kasus. Jadi sekian mengenai berbagai teknik pengambilan sampel 625 00:50:17.100 --> 00:50:22.200 dan pelatihan praktik perhitungan ukuran sampel. Saya sekali lagi 626 00:50:22.500 --> 00:50:27.800 berterima kasih banyak kepada assimilate by meta university dan Ibu Dr. untuk 627 00:50:28.100 --> 00:50:32.700 mengadakan dan menyelenggarakan penelitian ini. Jadi terima kasih banyak Dr. 628 00:50:32.700 --> 00:50:35.800 Superna dan terima kasih banyak kepada semua peserta untuk 629 00:50:35.800 --> 00:50:38.100 pertanyaannya dan atas kesediaan mendengarkan.