Pencocokan Skor Propensity dalam Penelitian Medis: Tutorial Lengkap Langkah demi Langkah (2025)

Diterbitkan 16 Februari 2026 | Terakhir diperbarui 11 Oktober 2026

Pencocokan skor kecenderungan (propensity score matching) dalam penelitian medis telah menjadi salah satu alat paling ampuh untuk menarik kesimpulan kausal dari data observasional. Ketika uji coba terkontrol secara acak tidak praktis, tidak etis, atau terlalu mahal, para peneliti beralih ke metode skor kecenderungan untuk mengurangi bias seleksi dan mendekati kondisi eksperimen terkontrol. Tutorial komprehensif ini akan memandu Anda melalui setiap langkah penerapan pencocokan skor kecenderungan (PSM) dalam penelitian Anda — mulai dari desain studi hingga pelaporan yang siap dipublikasikan.

Baik Anda menganalisis rekam medis elektronik, basis data administratif besar, atau data registri, memahami pencocokan skor kecenderungan (propensity score matching) dalam penelitian medis sangat penting untuk menghasilkan temuan yang kredibel dan ditinjau oleh rekan sejawat yang mampu bertahan dari pengawasan ketat.

Apa itu Propensity Score Matching?

Skor kecenderungan (propensity score), yang pertama kali diperkenalkan oleh Rosenbaum dan Rubin pada tahun 1983, didefinisikan sebagai probabilitas bersyarat untuk menerima perlakuan (atau paparan) berdasarkan serangkaian kovariat dasar yang diamati. Secara matematis, skor kecenderungan e(x) = P(T = 1 | X = x), di mana T adalah indikator perlakuan dan X mewakili vektor kovariat yang diamati.

Dengan mencocokkan subjek yang diobati dan yang tidak diobati yang memiliki skor kecenderungan serupa, para peneliti secara efektif menciptakan kelompok perbandingan pseudo-acak. Hal ini menyeimbangkan distribusi faktor perancu yang diamati antar kelompok, memungkinkan estimasi efek pengobatan yang lebih akurat dari data yang tidak diacak.

Mengapa Menggunakan Pencocokan Skor Kecenderungan (Propensity Score Matching) dalam Penelitian Medis?

Studi observasional mendominasi lanskap penelitian medis. Basis data administratif yang besar, rekam medis elektronik (EHR), dan registri penyakit menyediakan data dunia nyata yang kaya yang melengkapi temuan dari uji coba terkontrol secara acak (RCT). Namun, sumber data ini membawa bias seleksi yang melekat karena penugasan pengobatan tidak acak.

Pencocokan skor kecenderungan (propensity score matching) mengatasi tantangan mendasar ini melalui beberapa keunggulan utama:

Pengurangan bias pengacau: PSM menyeimbangkan kovariat yang diamati antar kelompok perlakuan, meniru keseimbangan yang dicapai melalui pengacakan. Penanganan data berdimensi tinggi: Alih-alih menyesuaikan puluhan kovariat secara individual, PSM memadatkan semua faktor pengacau yang terukur menjadi satu skor skalar tunggal. Penilaian kualitas yang transparan: Tidak seperti penyesuaian regresi, PSM memungkinkan peneliti untuk secara langsung memverifikasi bahwa keseimbangan kovariat telah tercapai sebelum menganalisis hasil. Penerimaan regulasi dan tinjauan sejawat: PSM diakui secara luas oleh badan pengatur (FDA, EMA) dan editor jurnal sebagai pendekatan yang ketat untuk inferensi kausal dari data observasional.

Langkah 1: Tentukan Pertanyaan Penelitian dan Desain Studi Anda

Sebelum menghitung skor kecenderungan, Anda harus mendefinisikan dengan jelas tiga elemen penting: kelompok perlakuan dan kontrol Anda, hasil primer dan sekunder, serta serangkaian kovariat pra-perlakuan untuk model skor kecenderungan.

Mulailah dengan membuat grafik asiklik terarah (DAG) untuk memetakan hubungan kausal antar variabel Anda. Alat visual ini membantu mengidentifikasi variabel mana yang merupakan confounder sejati (memengaruhi baik penugasan perlakuan maupun hasil), mana yang merupakan mediator (pada jalur kausal), dan mana yang merupakan collider (tidak boleh dikondisikan).

Pemilihan kovariat Anda harus memprioritaskan variabel yang merupakan prediktor kuat dari hasil, meskipun hanya memiliki hubungan yang lemah dengan penugasan perlakuan. Penelitian oleh Brookhart dkk. (2006) menunjukkan bahwa memasukkan variabel-variabel tersebut meningkatkan ketelitian estimasi efek perlakuan tanpa meningkatkan bias.

Langkah 2: Perkirakan Skor Kecenderungan

Pendekatan yang paling umum untuk memperkirakan skor kecenderungan adalah regresi logistik , di mana indikator perlakuan biner berfungsi sebagai variabel dependen dan kovariat dasar adalah variabel independen. Probabilitas yang diprediksi dari model ini menjadi skor kecenderungan setiap subjek.

Di R, paket MatchIt yang banyak digunakan menyederhanakan proses ini:

# Install and load required packages
library(MatchIt)
library(cobalt)

# Estimate propensity scores and perform matching
ps_model <- matchit(
  treatment ~ age + sex + bmi + smoking_status + 
    comorbidity_score + baseline_creatinine + 
    diabetes + hypertension + prior_surgery,
  data = study_data,
  method = "nearest",
  distance = "glm",    # logistic regression (default)
  caliper = 0.2,       # caliper in SD units of logit PS
  ratio = 1            # 1:1 matching
)

# View matching summary
summary(ps_model)

Selain regresi logistik, beberapa pendekatan pembelajaran mesin dapat memperkirakan skor kecenderungan dengan lebih fleksibel:

Langkah 3: Mencocokkan Subjek yang Diberi Perlakuan dan Subjek Kontrol

Setelah skor kecenderungan diperkirakan, langkah selanjutnya adalah memilih algoritma pencocokan yang tepat. Pilihan algoritma dapat sangat memengaruhi hasil Anda, jadi memahami pilihan yang ada sangat penting.

Pencocokan Tetangga Terdekat adalah pendekatan yang paling umum. Setiap subjek yang diberi perlakuan dicocokkan dengan subjek kontrol yang memiliki skor kecenderungan terdekat. Penggunaan caliper — jarak maksimum yang diizinkan antara pasangan yang dicocokkan — mencegah pencocokan yang buruk. Austin (2011) merekomendasikan lebar caliper sebesar 0.2 deviasi standar dari logit skor kecenderungan, yang telah terbukti menghilangkan sekitar 98% bias pada variabel perancu yang terukur.

Pencocokan Optimal meminimalkan total jarak di seluruh pasangan yang cocok secara bersamaan, alih-alih mencocokkan satu pasangan pada satu waktu secara serakah. Ini menghasilkan kecocokan optimal secara global tetapi membutuhkan banyak komputasi untuk kumpulan data yang besar.

Pencocokan Penuh (Full Matching) menciptakan himpunan yang cocok yang berisi setidaknya satu subjek yang diberi perlakuan dan satu subjek kontrol, dengan rasio pencocokan yang bervariasi. Hal ini mempertahankan lebih banyak sampel asli dan dapat meningkatkan efisiensi statistik.

Pencocokan Tepat pada Variabel Kunci yang dikombinasikan dengan pencocokan skor kecenderungan memastikan keseimbangan sempurna pada kovariat penting (misalnya, jenis kelamin, lokasi penelitian) sambil menggunakan skor kecenderungan untuk menyeimbangkan variabel yang tersisa.

# Different matching methods in MatchIt

# 1:1 Nearest neighbor with caliper
m_nn <- matchit(treatment ~ covariates, data = df,
                method = "nearest", caliper = 0.2)

# Optimal matching
m_opt <- matchit(treatment ~ covariates, data = df,
                 method = "optimal")

# Full matching
m_full <- matchit(treatment ~ covariates, data = df,
                  method = "full")

# Exact matching on sex + PS matching on rest
m_exact <- matchit(treatment ~ covariates, data = df,
                   method = "nearest", exact = ~ sex)

Langkah 4: Menilai Keseimbangan Kovariat

Ini bisa dibilang langkah terpenting dalam pencocokan skor kecenderungan — dan yang paling sering dilakukan secara tidak memadai. Setelah pencocokan, Anda harus secara ketat memverifikasi bahwa kovariat seimbang antara kelompok perlakuan.

Metrik standar emas adalah Perbedaan Rata-Rata Terstandarisasi (Standardized Mean Difference/SMD) . SMD di bawah 0.1 (mewakili kurang dari 10% perbedaan standar deviasi) secara luas dianggap sebagai bukti keseimbangan yang dapat diterima. Tidak seperti nilai p, SMD tidak dipengaruhi oleh ukuran sampel, sehingga lebih tepat untuk menilai keseimbangan.

# Comprehensive balance assessment with cobalt
library(cobalt)

# Balance table
bal.tab(ps_model, 
        thresholds = c(m = 0.1),  # SMD threshold
        un = TRUE)                 # Show unmatched comparison

# Love plot (visual balance assessment)
love.plot(ps_model, 
          threshold = 0.1,
          abs = TRUE,
          var.order = "unadjusted",
          title = "Covariate Balance Before and After Matching")

# Density plots for propensity score distribution
bal.plot(ps_model, var.name = "distance", 
         which = "both", type = "density")

Langkah 5: Perkirakan Efek Perawatan dan Laporkan Hasilnya

Dengan sampel berpasangan yang seimbang, Anda sekarang dapat memperkirakan efek perlakuan. Estimasi utama dalam PSM biasanya adalah Efek Perlakuan Rata-Rata pada yang Diterima (ATT) — efek rata-rata perlakuan di antara mereka yang benar-benar menerimanya.

Uji statistik yang tepat bergantung pada jenis hasil yang Anda inginkan:

Analisis Sensitivitas untuk Faktor Pengganggu yang Tidak Terukur: PSM hanya membahas faktor pengganggu yang teramati. Anda harus menilai seberapa sensitif hasil Anda terhadap potensi faktor pengganggu yang tidak terukur. Dua metode yang banyak digunakan meliputi batas Rosenbaum (mengkuantifikasi seberapa kuat faktor pengganggu yang tidak terukur harus ada untuk meniadakan hasil) dan nilai E (kekuatan asosiasi minimum yang dibutuhkan faktor pengganggu yang tidak terukur dengan perlakuan dan hasil untuk menjelaskan efek yang teramati).

Kesalahan Umum yang Harus Dihindari dalam Pencocokan Skor Kecenderungan

Berdasarkan tinjauan sistematis terhadap aplikasi PSM di jurnal medis, berikut adalah kesalahan yang paling sering dilakukan peneliti:

1. Memasukkan variabel pasca-perawatan: Variabel yang diukur setelah penugasan perawatan dapat dipengaruhi oleh perawatan itu sendiri, sehingga menimbulkan bias melalui penyesuaian berlebihan atau bias kolider. Hanya sertakan kovariat pra-perawatan (baseline).

2. Gagal menilai keseimbangan kovariat: Melaporkan hanya kesesuaian model skor kecenderungan (misalnya, statistik C) tanpa memeriksa apakah pencocokan benar-benar mencapai keseimbangan tidaklah cukup. Selalu laporkan SMD untuk semua kovariat.

3. Mengabaikan desain berpasangan dalam analisis: Setelah pencocokan 1:1, data menjadi berpasangan. Menggunakan uji statistik yang tidak berpasangan mengabaikan struktur ini dan dapat menghasilkan kesalahan standar dan nilai p yang tidak akurat.

4. Tidak melaporkan subjek yang tidak cocok: Banyak penelitian gagal menjelaskan berapa banyak subjek yang diobati yang tidak cocok dan apakah mereka berbeda secara sistematis dari subjek yang cocok. Hal ini memengaruhi kemampuan generalisasi estimasi ATT Anda.

5. Melewatkan analisis sensitivitas: Jurnal dan peninjau semakin mengharapkan analisis sensitivitas untuk faktor perancu yang tidak terukur. Tanpa analisis ini, klaim kausal Anda akan lebih lemah.

Pencocokan Skor Kecenderungan vs. Metode Inferensi Kausal Lainnya

PSM adalah salah satu dari beberapa pendekatan untuk inferensi kausal dari data observasional. Memahami kapan harus menggunakan setiap metode akan membantu Anda memilih desain yang paling tepat untuk pertanyaan penelitian Anda.

Pelaporan PSM: Daftar Periksa STROBE

Saat melaporkan analisis skor kecenderungan (propensity score), ikuti pedoman STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) dengan ekstensi khusus PSM. Bagian metode Anda harus menjelaskan variabel yang termasuk dalam model skor kecenderungan dan alasan pemilihannya, metode yang digunakan untuk memperkirakan skor kecenderungan, algoritma dan parameter pencocokan (lebar kaliber, rasio pencocokan), diagnostik keseimbangan dan ambang batas yang digunakan, serta pendekatan analitis yang memperhitungkan desain yang cocok.

Bagian hasil Anda harus melaporkan jumlah subjek sebelum dan sesudah pencocokan, tabel karakteristik dasar dengan SMD sebelum dan sesudah pencocokan, plot Love atau visualisasi keseimbangan yang setara, perkiraan efek pengobatan dengan interval kepercayaan, dan hasil analisis sensitivitas untuk confounding yang tidak terukur.

Alat dan Perangkat Lunak untuk Pencocokan Skor Kecenderungan

Berbagai platform perangkat lunak mendukung implementasi PSM. Di R , paket MatchIt (Ho et al.) adalah yang paling komprehensif, mendukung berbagai metode pencocokan dengan integrasi ke dalam paket cobalt untuk penilaian keseimbangan. Stata menawarkan perintah teffects psmatch dengan diagnostik keseimbangan bawaan. Pengguna Python dapat memanfaatkan pustaka causalinference dan DoWhy, sementara SAS menyediakan PROC PSMATCH di versi 14.1 dan yang lebih baru.

Bagi para peneliti yang merencanakan studi PSM, menentukan ukuran sampel yang memadai sangat penting. Kalkulator Ukuran Sampel Gratis Editverse membantu Anda memperkirakan ukuran sampel yang dibutuhkan untuk desain studi spesifik Anda, dengan memperhitungkan ukuran efek yang diharapkan, rasio pencocokan, dan distribusi kovariat yang diantisipasi.

Dukungan Statistik Profesional dari Editverse

Menerapkan pencocokan skor kecenderungan (propensity score matching) dengan benar membutuhkan keahlian yang mencakup teori inferensi kausal, pemrograman statistik, pemilihan kovariat, dan standar pelaporan metodologis. Bahkan peneliti berpengalaman pun dapat memperoleh manfaat dari bimbingan spesialis, terutama ketika menghadapi kumpulan data yang kompleks, hasil yang jarang terjadi, atau keputusan klinis yang berisiko tinggi.

Editverse menawarkan layanan analisis statistik komprehensif yang dirancang khusus untuk peneliti medis yang membutuhkan dukungan ahli dalam desain studi observasional. Tim ahli biostatistik kami memberikan bantuan menyeluruh — mulai dari desain studi dan konstruksi DAG hingga estimasi skor kecenderungan, optimasi pencocokan, analisis sensitivitas, dan persiapan tabel, gambar, dan laporan statistik yang siap dipublikasikan.

Kami juga menawarkan layanan khusus termasuk meta-analisis , dukungan tinjauan sistematis , dan konsultasi biostatistik komprehensif untuk peneliti di setiap tahap karir.

Referensi

1. Rosenbaum PR, Rubin DB. Peran sentral skor kecenderungan dalam studi observasional untuk efek kausal. Biometrika. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
2. Austin PC. Pengantar Metode Skor Kecenderungan untuk Mengurangi Efek Faktor Pengganggu dalam Studi Observasional. Penelitian Perilaku Multivariat. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
3. Stuart EA. Metode pencocokan untuk inferensi kausal: Tinjauan dan pandangan ke depan. Ilmu Statistik. 2010;25(1):1-21. doi:10.1214/09-STS313
4. Brookhart MA, Schneeweiss S, Rothman KJ, dkk. Pemilihan variabel untuk model skor kecenderungan. Amerika Journal of Epidemiology. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
5. Ho DE, Imai K, King G, Stuart EA. MatchIt: Praproses Nonparametrik untuk Inferensi Kausal Parametrik. Jurnal Software Statistik. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
6. VanderWeele TJ, Ding P. Analisis Sensitivitas dalam Penelitian Observasional: Memperkenalkan Nilai-E. Annals of Internal Medicine. 2017;167(4):268-274. doi:10.7326 / M16-2607
7. Ali MS, Groenwold RH, Belitser SV, dkk. Pelaporan pemilihan kovariat dan penilaian keseimbangan dalam analisis skor kecenderungan masih suboptimal: tinjauan sistematis. Jurnal Epidemiologi Klinis. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
8. Lunt M. Memilih kaliper yang tepat dapat menjadi penting untuk mencapai keseimbangan yang baik dengan pencocokan skor kecenderungan. Amerika Journal of Epidemiology. 2014;179(2):226-235. doi:10.1093/aje/kwt212