Modul Biostatistik Deskriptif

Sub-CPMK3: Visualisasi Data & Grafis Kefarmasian

Materi Inti Penyajian Data

Seni Menerjemahkan Angka Menjadi Wawasan Klinis.

Data statistik yang kompleks seringkali sulit dicerna dalam bentuk tabel raksasa. Visualisasi data memungkinkan farmasis maupun peneliti untuk mengidentifikasi tren, mendeteksi anomali, dan memetakan korelasi dosis-respons secara instan dan intuitif.

Capaian Pembelajaran (Sub-CPMK3)

  • ● Mampu memilih jenis grafik yang presisi berdasarkan jenis data (Numerikal vs Kategorikal).
  • ● Memahami spesifikasi fungsional Bar Chart, Pie Chart, Scatter Plot, Line Chart, dan Histogram.
  • ● Mampu mengekstraksi kesimpulan empiris dari representasi visual data kefarmasian.
  • ● Mampu mengidentifikasi dan menghindari manipulasi visual (misleading graphs).

1. Taksonomi Grafik Kefarmasian

"Bentuk suatu grafik didikte sepenuhnya oleh tujuan analitis yang ingin dikomunikasikan."

Kategorikal

Pie Chart (Lingkaran)

Merepresentasikan proporsi (parts-of-a-whole). Sangat fundamental namun terbatas: hanya efektif jika jumlah kategori ≤ 5 dan total persentase wajib 100%.

Contoh Kefarmasian:
Proporsi insiden efek samping (Mual 40%, Pusing 30%, Ruam 20%, Lainnya 10%).
Kategorikal

Bar Chart (Batang)

Standar utama untuk mengkomparasikan kuantitas antar grup. Jauh lebih mudah diproses secara kognitif dibandingkan membandingkan luas sudut pada Pie Chart.

Contoh Kefarmasian:
Komparasi tingkat kesembuhan antara Grup Intervensi (Obat Baru) vs Grup Kontrol (Plasebo).
Numerikal

Line Chart (Garis)

Digunakan eksklusif untuk mendeteksi tren data kontinyu / berkesinambungan dari waktu ke waktu (Time-series). Garis mengimplikasikan keterhubungan interval.

Contoh Kefarmasian:
Kurva Profil Farmakokinetik (Konsentrasi obat dalam plasma vs Waktu).
Numerikal

Scatter Plot (Sebaran)

Instrumen utama untuk mendiagnosis pola hubungan (korelasi) atau kausalitas antara dua variabel kontinyu yang independen.

Contoh Kefarmasian:
Pemetaan Kurva Dosis-Respons (Dosis vs Tingkat Penurunan Tekanan Darah).
Distribusi

Histogram & Box Plot

Histogram: Varian dari bar chart tanpa celah (gap) antar batang. Digunakan untuk melihat bentuk distribusi data numerik massal (normal/skewed).

Box Plot: Menyajikan rangkuman 5 angka (Min, Kuartil 1, Median, Kuartil 3, Max). Ekstremitas visual ini sangat krusial untuk mendeteksi pencilan (outliers).

Contoh Kefarmasian:
- Memeriksa apakah distribusi umur 500 pasien uji klinis berdistribusi normal (Histogram).
- Mendeteksi pasien dengan respons abnormal terhadap terapi yang berada jauh di luar batas *whiskers* (Box Plot).

Panduan Cepat Memilih Grafik

Tentukan tujuan visualisasi Anda untuk menemukan bentuk grafik yang paling presisi.

Gunakan: Pie Chart atau Stacked Bar Chart

Pilih Pie Chart jika Anda hanya memiliki sedikit kategori (max 5) dan ingin menonjolkan persentase kumulatif 100%. Jika kategori terlalu banyak atau ingin melihat tren komposisi antar waktu, gunakan Stacked Bar Chart.

2. Studio Rendering Grafik Interaktif

Modifikasi dataset kefarmasian di panel kiri, dan observasi perubahan rendering grafis serta interpretasi algoritmanya secara real-time.

Simulasikan jumlah insiden kejadian ikutan (ADR) pasca-terapi. Format data bersifat Nominal.

Sembuh Tanpa ADR
Mual / Vertigo
Reaksi Alergi
Toksisitas Renal

Distribusi Proporsi Pasien

Representasi komposisi (parts-of-a-whole) dari populasi.

Ekstraksi Wawasan (Auto-Insight)

Red Flags: Manipulasi Visual (Misleading Graphs)

Integritas ilmiah mengharuskan visualisasi yang objektif. Modifikasi parameter skala sering digunakan dalam brosur marketing farmasi untuk memanipulasi persepsi klinisi terhadap superioritas suatu obat.

Simulasi: Truncated Y-Axis

Grafik di samping menunjukkan persentase efikasi "Obat Baru" (82%) melawan "Obat Standar" (80%). Karena pembuat grafik memotong Sumbu Y (mulai dari 78%), Obat Baru terlihat mendominasi secara visual.

Interaksi Analisis:

Manipulatif (Y ≠ 0)

Penyalahgunaan 3D Effects

Penambahan dimensi ketiga (3D) pada pie chart mendistorsi perspektif spasial. Irisan di bagian "depan" terlihat lebih masif secara volume dibandingkan irisan di belakang meskipun persentasenya sama.

Cherry-Picking Data Time-Series

Menampilkan Line Chart tren klinis yang hanya mencuplik bulan-bulan spesifik ketika intervensi terlihat berhasil, dan memotong bagian akhir di mana luaran pasien memburuk.

3. Evaluasi Pemahaman (Sub-CPMK3)

Uji ketajaman dan integritas analitik Anda dalam merancang dan menafsirkan visualisasi data medis.