Uji Diagnostik dan Kesesuaian Metode

Modul 13 · Biostatistik · Semester Ganjil 2026/2027

Bramadi Arya, S.Si., M.Biotech.

Program Studi D4 Teknologi Laboratorium Medik, Universitas Syedza Saintika

Daftar bagian

Tujuan belajar

Setelah modul ini, Anda mampu:

  1. Menghitung sensitivitas, spesifisitas, nilai prediksi positif (NPP), dan nilai prediksi negatif (NPN).
  2. Menjelaskan pengaruh prevalensi terhadap nilai prediksi.
  3. Menjelaskan konsep kurva ROC dan pemilihan titik potong.
  4. Menghitung dan menafsirkan Kappa Cohen untuk kesepakatan pembacaan.
  5. Menilai kesesuaian dua metode kuantitatif dengan Bland-Altman.

Dataset: rapid_vs_pcr_120.csv dan glukosa_dua_alat_40.csv

Mengapa modul ini khas TLM

Sebagian besar pekerjaan analis laboratorium adalah menjawab dua pertanyaan:

  • Seberapa baik sebuah pemeriksaan membedakan orang sakit dan tidak sakit?
  • Apakah alat atau metode baru memberi hasil yang sama dengan metode yang sudah dipakai?

Keduanya tidak dijawab dengan uji t atau korelasi. Penelitian yang menilai kinerja pemeriksaan atau membandingkan metode adalah jenis penelitian yang paling sesuai dengan kompetensi lulusan D4 TLM.

Uji diagnostik

Contoh: rapid test NS1 dibandingkan dengan RT-PCR sebagai baku emas, pada 120 pasien suspek dengue.

Tabel 2 × 2 uji diagnostik

RT-PCR positif RT-PCR negatif Total
Rapid positif 42 (positif benar, PB) 6 (positif palsu, PP) 48
Rapid negatif 8 (negatif palsu, NP) 64 (negatif benar, NB) 72
Total 50 70 120

Aturan penyusunan: baku emas di kolom, uji yang dinilai di baris, hasil positif di kiri atas. Kesalahan penyusunan tabel adalah sumber kesalahan hitung yang paling sering.

Empat ukuran utama

Ukuran Rumus Hasil Pertanyaan yang dijawab
Sensitivitas PB / (PB + NP) 42/50 = 84,0% Dari yang sakit, berapa yang terdeteksi positif?
Spesifisitas NB / (NB + PP) 64/70 = 91,4% Dari yang tidak sakit, berapa yang negatif?

(Altman & Bland, 1994a, 1994b)

Empat ukuran utama (lanjutan)

Ukuran Rumus Hasil Pertanyaan yang dijawab
NPP PB / (PB + PP) 42/48 = 87,5% Jika hasil positif, berapa peluang benar sakit?
NPN NB / (NB + NP) 64/72 = 88,9% Jika hasil negatif, berapa peluang benar tidak sakit?

Akurasi keseluruhan: (42 + 64) / 120 = 88,3%

(Altman & Bland, 1994a, 1994b)

Laporkan dengan IK 95%

Ukuran Nilai IK 95%
Sensitivitas 84,0% 71,5 sampai 91,7
Spesifisitas 91,4% 82,5 sampai 96,0
NPP 87,5% 75,3 sampai 94,1
NPN 88,9% 79,6 sampai 94,3

IK dihitung dengan metode Wilson. Dengan hanya 50 pasien positif, sensitivitas sebenarnya bisa serendah 71,5%. Sampel kecil menghasilkan IK lebar (Modul 4).

(Wilson, 1927)

Mengingat fungsi sensitivitas dan spesifisitas

  • Sensitivitas tinggi → hasil negatif dapat dipercaya untuk menyingkirkan penyakit. Cocok untuk skrining.
  • Spesifisitas tinggi → hasil positif dapat dipercaya untuk memastikan penyakit. Cocok untuk konfirmasi.

Contoh di laboratorium: skrining HIV memakai uji dengan sensitivitas sangat tinggi, lalu hasil reaktif dikonfirmasi dengan uji yang spesifisitasnya tinggi.

Nilai prediksi bergantung pada prevalensi

Sensitivitas dan spesifisitas relatif tetap. Nilai prediksi berubah mengikuti prevalensi penyakit pada populasi yang diperiksa.

Tempat pemeriksaan Prevalensi NPP NPN
Pasien suspek dengue di RS (data ini) 41,7% 87,5% 88,9%
Skrining massal saat bukan musim wabah 5% 34,0% 99,1%

Dengan alat yang sama, pada prevalensi 5% dua dari tiga hasil positif ternyata positif palsu. Karena itu NPP dan NPN dari penelitian di rumah sakit tidak bisa langsung dipakai untuk skrining di masyarakat.

(Altman & Bland, 1994b)

Rasio kemungkinan (likelihood ratio)

  • LR+ = sensitivitas / (1 − spesifisitas) = 0,84 / 0,086 = 9,8
  • LR− = (1 − sensitivitas) / spesifisitas = 0,16 / 0,914 = 0,18

Tafsiran kasar: LR+ > 10 dan LR− < 0,1 berarti hasil uji sangat mengubah keyakinan klinisi. Rapid NS1 di sini cukup membantu memastikan (LR+ hampir 10), tetapi hasil negatif belum cukup untuk menyingkirkan dengue.

Keuntungan LR: tidak bergantung pada prevalensi.

(Deeks & Altman, 2004)

Hasil numerik: kurva ROC

Banyak pemeriksaan menghasilkan angka (prokalsitonin, troponin, HbA1c), bukan positif/negatif. Titik potong mana yang dipakai?

(Hanley & McNeil, 1982; Mandrekar, 2010)

Hasil numerik: kurva ROC (lanjutan)

  • Setiap titik potong menghasilkan pasangan sensitivitas dan spesifisitas yang berbeda.
  • Kurva ROC memplot sensitivitas (sumbu y) terhadap 1 − spesifisitas (sumbu x) untuk semua titik potong.
  • AUC (luas di bawah kurva): 0,5 = tidak lebih baik dari menebak; 1,0 = sempurna. Pedoman umum: 0,7 sampai 0,8 dapat diterima, 0,8 sampai 0,9 sangat baik, di atas 0,9 istimewa.
  • Titik potong sering dipilih dengan indeks Youden (sensitivitas + spesifisitas − 1 yang terbesar), atau berdasarkan tujuan klinis (skrining atau konfirmasi).

(Hanley & McNeil, 1982; Mandrekar, 2010)

Kesepakatan pembacaan: Kappa

Seberapa sepakat dua analis yang membaca sediaan yang sama?

Contoh: dua analis membaca sediaan yang sama

100 sediaan dibaca oleh analis A dan analis B (positif/negatif):

B positif B negatif Total
A positif 30 5 35
A negatif 3 62 65
Total 33 67 100

Kesepakatan teramati: (30 + 62) / 100 = 0,92

Apakah 92% sepakat sudah baik? Sebagian kesepakatan bisa terjadi karena kebetulan, terutama jika sebagian besar sediaan negatif. Kappa mengoreksi kesepakatan karena kebetulan.

Menghitung Kappa Cohen

  1. Kesepakatan karena kebetulan: p_e = \dfrac{35 \times 33 + 65 \times 67}{100^2} = \dfrac{1.155 + 4.355}{10.000} = 0{,}551
  2. \kappa = \dfrac{p_o - p_e}{1 - p_e} = \dfrac{0{,}92 - 0{,}551}{1 - 0{,}551} = 0,82

(Landis & Koch, 1977)

Menghitung Kappa Cohen (lanjutan)

κ Kesepakatan (Landis dan Koch)
≤ 0,20 sangat lemah
0,21 sampai 0,40 lemah
0,41 sampai 0,60 sedang
0,61 sampai 0,80 baik
0,81 sampai 1,00 sangat baik

(Landis & Koch, 1977)

Kesesuaian dua metode kuantitatif

Contoh: glukosa 40 sampel diukur dengan analyzer laboratorium dan glukometer POCT.

Korelasinya sangat tinggi

r = 0,994. Apakah kedua alat “sesuai” dan bisa saling menggantikan?

Belum tentu. Hampir semua titik berada di atas garis identitas. Glukometer cenderung membaca lebih tinggi. Korelasi tidak bisa melihat ini (Modul 12).

Plot Bland-Altman

  • Sumbu x: rerata kedua alat. Sumbu y: selisih (POCT − lab).
  • Bias (rerata selisih) = 8,4 mg/dL: glukometer rata-rata 8,4 mg/dL lebih tinggi (sekitar 5,5%).
  • Batas kesepakatan 95% = bias ± 1,96 SD selisih = −6,1 sampai 23,0 mg/dL.

(Bland & Altman, 1986)

Menafsirkan Bland-Altman

  • Batas kesepakatan menunjukkan: untuk 95% sampel, hasil glukometer berada antara 6,1 mg/dL lebih rendah dan 23,0 mg/dL lebih tinggi dari analyzer.
  • Statistik tidak memutuskan apakah selisih ini dapat diterima. Keputusan diambil dengan membandingkan terhadap batas klinis yang ditetapkan sebelum penelitian.

(International Organization for Standardization, 2013)

Menafsirkan Bland-Altman (lanjutan)

Contoh batas: ISO 15197:2013 untuk glukometer mensyaratkan ≥ 95% hasil berada dalam ±15 mg/dL (glukosa < 100 mg/dL) atau ±15% (glukosa ≥ 100 mg/dL) dari metode acuan.

Pada data ini: 38 dari 40 (95,0%) memenuhi batas tersebut, tepat pada batas minimal.

(International Organization for Standardization, 2013)

Kesalahan yang sering terjadi pada studi perbandingan metode

Temuan yang sering muncul di naskah skripsi

  • Kesesuaian dua alat hanya dinilai dengan korelasi, atau dengan uji t yang “tidak bermakna”.
  • Uji t yang tidak bermakna diartikan “kedua metode sama”, padahal bisa terjadi karena sampel kecil atau selisih yang saling meniadakan.
  • Batas penerimaan (misalnya dari ISO, CLIA, atau data variasi biologis) tidak ditetapkan di BAB III.

Kesalahan yang sering terjadi pada studi perbandingan metode (lanjutan)

Paket analisis yang dianjurkan untuk perbandingan metode: diagram sebar dengan garis identitas, Bland-Altman (bias dan batas kesepakatan), regresi Passing-Bablok atau Deming (tingkat lanjut), dan perbandingan terhadap batas penerimaan yang dirujuk.

Langkah di SPSS dan Excel

Analisis Cara
Sensitivitas, spesifisitas, NPP, NPN Analyze → Descriptive Statistics → Crosstabs (uji di baris, baku emas di kolom, centang Column percentages). Hitung keempat ukuran dari tabel.
Kappa Crosstabs → Statistics → centang Kappa

Langkah di SPSS dan Excel (lanjutan)

Analisis Cara
Kurva ROC Analyze → Classify → ROC Curve. Test Variable: hasil numerik; State Variable: status baku emas. Centang With diagonal reference line dan Coordinate points.
Bland-Altman Transform → Compute Variable: buat kolom selisih dan rerata. Buat diagram sebar selisih terhadap rerata, lalu tambahkan garis bias dan batas kesepakatan. Cara yang sama bisa dilakukan di Excel.

Latihan 1

Pemeriksaan mikroskopis malaria dibandingkan PCR pada 200 pasien: PB = 45, PP = 5, NP = 15, NB = 135.

Hitung sensitivitas, spesifisitas, NPP, dan NPN.

Latihan 1 (jawaban)

Jawaban:

  • Sensitivitas = 45 / 60 = 75,0%
  • Spesifisitas = 135 / 140 = 96,4%
  • NPP = 45 / 50 = 90,0%
  • NPN = 135 / 150 = 90,0%

Mikroskopis di sini lebih cocok untuk memastikan (spesifisitas tinggi) daripada menyingkirkan malaria.

Latihan 2

Dua analis membaca 50 sediaan Gram: sepakat positif 18, sepakat negatif 22, A positif-B negatif 6, A negatif-B positif 4. Hitung κ.

Jawaban:

  • A positif = 24, A negatif = 26; B positif = 22, B negatif = 28
  • p_o = (18 + 22) / 50 = 0,80
  • p_e = (24 × 22 + 26 × 28) / 2.500 = (528 + 728) / 2.500 = 0,502
  • κ = (0,80 − 0,502) / (1 − 0,502) = 0,60, kesepakatan sedang. Perlu pelatihan ulang atau standardisasi kriteria pembacaan.

Latihan 3

Studi perbandingan hitung trombosit analyzer dan manual: r = 0,97; uji t berpasangan p = 0,31. Kesimpulan mahasiswa: “Kedua metode sesuai dan dapat saling menggantikan.”

Apa yang kurang?

Jawaban: Korelasi tinggi tidak berarti sesuai, dan uji t tidak bermakna tidak membuktikan kesamaan. Diperlukan Bland-Altman (bias dan batas kesepakatan 95%) serta batas penerimaan klinis yang ditetapkan sebelumnya. Kesimpulan “dapat saling menggantikan” hanya boleh ditarik jika batas kesepakatan berada di dalam batas penerimaan tersebut.

Ringkasan

  • Uji diagnostik: baku emas di kolom, hitung sensitivitas, spesifisitas, NPP, NPN, dan laporkan IK 95%.
  • Nilai prediksi berubah mengikuti prevalensi; LR tidak.
  • Hasil numerik: kurva ROC, AUC, dan pemilihan titik potong.
  • Kesepakatan dua pembaca: Kappa Cohen, bukan persentase kesepakatan saja.
  • Kesesuaian dua metode kuantitatif: Bland-Altman dibandingkan dengan batas penerimaan klinis, bukan korelasi atau uji t.

Daftar Pustaka

Selesai: Modul 13

Lanjut ke Modul 14: Pelaporan Hasil dan Integritas Data →

Kembali ke Daftar modul