FINAL STEP RIZKA HAYYU
Nama : Rizka Hayyu
Nim : 094114122
Mata kuliah : Ujian Akhir Komputer
LANGKAH KERJA PENGOLAHAN DATA
1) Export File epidata ke SPSS dengan prosedur export :
· Buka epidata à Klik export data pilih SPSS à Cari file data yang akan dieksport à Klik OK dan simpan dengan nama “ujian rizka hayyu”
· Buka SPSS à Klik open à Buka Syntax à Pilih File data à Ctrl+A data yang ada di syntax à Klik Run è All à keluar outputnya dan simpan dengan nama yang sama (ujian rizka hayyu).
· Lakukan penamaan variabel dan value labels dengan menggunakan syntax
Buka syntax dan tambahkan ADD Value Labels sesuai dengan ketentuan yang telah ditentukan è Blok data è Run è Current.
2) Lakukan pembersihan data atau cleaning data terhadap file dengan mengelompokan data kategorik dan data numeriknya. Jumlah data awal sebanyak 16287.
a) Cleaning Data Variabel Kategorik
1. Klik Analyze àPilih Descriptive Statistic àPilih Frequencies àPilih variabel yang akan dilakukan cleaning data à OK à Maka akan tampil pada output data – data yang missing dan data yang tidak valid.
2. Lakukan cleanning data terhadap data yang missing dengan cara :
Buka SPSS (tabel) à pilih data àpilih Sort Cases à pilih variabel yang akan dilakukan cleaning data à pilih Ascending à Klik Ok àLakukan pembersihan data terhadap file yang missing.
Yang termasuk kedalam variable kategorik adalah :
§ Pekerjaan
§ Pendidikan
§ Golongan Darah
§ Pernah periksa kehamilan
§ Pengukuran Tinggi Fundus
§ Pengukuran Tinggi Badan
§ Pengukuran Tekanan Darah
§ Pemberian Tablet Fe
§ Imunisasi TT
§ Akseptor KB
§ Kontrasepsi yang digunakan
§ Kontrasepsi lain
§ Alasan tidak ber-KB
§ Alasan lain tidak ber-KB
§ Rencana tempat melahirkan
1. Pekerjaan
Terdapat 16 data yang missing dari system, sehingga setelah dihapus data menjadi 16271.
2. Pendidikan
Terdapat 2 data yang missing dari system, setelah di cleaning data tersisa 16269.
3. Golongan Darah
Tidak terdapat data yang missing dari sistem, tetapi ada 25 data yang tidak valid pada golongan darah ( golongan darah diisi dengan angka “0”, angka “1”, angka “12”, angka “13” angka “76” dan “O]”). Setelah dicleaning, data menjadi 16244.
4. Pernah periksa kehamilan
· Terdapat 1 data yang missing dari sistem, sehingga setelah dihapus data menjadi 16243.
· Terdapat 100 data yang tidak valid dimana data diisi dengan angka “0”, sedangkan ketentuannya untuk Pernah = 1 dan tidak pernah = 2, setelah dicleaning data menjadi 16143.
· Terdapat 118 data yang tidak valid dimana pada variable pernah atau tidak memeriksakan kehamilan, data bermaksud tidak pernah, tetapi pada pemeriksaan fundus, tinggi badan, tekanan darah, pemberian tablet Fe dan imunisasi TT dicantumkan pernah, setelah dicleaning data menjadi 16025.
5. Pengukuran Tinggi Fundus
Terdapat 81 data yang missing dari system, tetapi data tersebut valid karena ibu tidak pernah memerikakan kehamilan sehingga pada pengukuran tinggi fundus di isi dengan “.” . Ada 1 data yang mencantumkan angka “3” sebagai pilihan, sehingga data tersisa 16024.
6. Pengukuran Tinggi Badan
Terdapat 91 data yang missing dari system, tetapi data tersebut valid karena ibu memang tidak pernah melakukan pemeriksaan kehamilan jadi otomatis tidak ada dilakukan pengukuran tinggi badan. Untuk memunculkan data yang missing ( data yang diisi dengan tanda “.”), maka dilakukan Transform àRecode àIn to the same variable à ambil system missing à isi box new value dengan angka “0” . Sehingga data masih sebanyak 16024.
7. Pengukuran Tekanan Darah
Terdapat 73 data yang missing dari system, tetapi data tersebut valid karena ibu memang tidak pernah melakukan pemeriksaan kehamilan jadi otomatis tidak ada dilakukan pengukuran tekanan darah. Untuk memunculkan data yang missing ( data yang diisi dengan tanda “.”), maka dilakukan Transform àRecode àIn to the same variable à ambil system missing à isi box new value dengan angka “0” . Sehingga data masih sebanyak 16024.
8. Pemberian Tablet Fe
Tidak terdapat data yang missing ataupun tidak valid sehingga data tetap berjumlah 16024.
9. Imunisasi TT
Tidak terdapat data yang missing ataupun tidak valid sehingga data tetap berjumlah 16024.
10. Akseptor KB
· Terdapat 10 data yang missing dari system, sehingga setelah dihapus data menjadi 16014.
· Terdapat 1 data yanng tidak valid dimana pada akseptor disii dengan angka 2, sehingga data yang tersisa 16013..
· Terdapat 470 data yang tidak valid dimana pada variable akseptor, ditemukan data ini bukan merupakan akseptor KB, tetapi pada variable kontrasepsi yang digunakan dicantumkan beberapa alat kontrasepsi, sehingga setelah dicleaning data menjadi 15543.
11. Kontrasepsi yang digunakan
Terdapat 1 data yang tidak valid dimana ibu adalah akseptor, tetapi tidak ada alat kontrasepsi yang dipakai. Sehingga setelah dicleaning data menjadi 15543.
12. Kontrasepsi lain
Terdapat 21 data yang tidak valid dimana kontrasepsi di isi dengan angka 1 (4 data),2 (8 data), 3(8 data), 5 (1 data). sehingga setelah dicleaning data menjadi 15522.
13. Alasan tidak ber-KB
Tidak terdapat missing sehingga pada data, sehingga data tetap 15522.
14. Alasan lain tidak ber-KB
Terdapat 1 data yang tidak valid dimana alasan lain tidak ber-KB di isi dengan angka 1.Sehingga setelah dicleaning data menjadi 15521.
15. Rencana tempat melahirkan
· Terdapat 74 data yang missing dari system, sehingga setelah dihapus data menjadi 15447.
· Terdapat 5 data yang tidak valid pada variable tempat (angka “0”), sehingga setelah dicleaning data menjadi 15442
· Terdapat 5 data yang tidak valid pada variable tempat (angka “0”), sehingga setelah dicleaning data menjadi 15437.
b) Cleaning Data Variabel Numerik
- Untuk menemukan data yang missing
Klik Analyze àpilih descriptive statistic à pilih frequencies à pilih variabel yang akan dicleaning à OK à maka akan keluar pada output jumlah data yang missing dan dianalisa data yang tidak valid.
- Cleanning data yang missing :
Pilih Data à pilih Sort Cases àPilih variabel yang akan dicleanning à selanjutnya pilih ascending à klik OK.
- Lakukan pembersihan data terhadap file yang missing pada data numerik.
Adapun yang termasuk kedalam variabel Numerik yaitu :
- Umur ibu : batasannya à15 – 45 tahun.
- Tinggi Badan : batasannya à 140-180 cm
- Berat Badan : batasannya à 40-80 kg
- Tekanan darah Sistolik : batasannya à 70-170 mmHg
- Tekanan darah Diastol : batasannya à 50-120 mmHg
- Hb : batasannya à 8-14 gr%
1. Umur ibu (15-45 tahun)
Terdapat 25 data yang missing dari system, sehingga setelah dihapus data menjadi 15412.
2. Tinggi Badan (140-180 cm)
· Tidak terdapat data yang missing dari system.
· Terdapat 10 data yang berada di luar batasan, sehingga data tersisa 15402.
3. Berat Badan (40-80 kg)
· Tidak Terdapat data yang missing dari system,sisa data tetap 15402.
· Terdapat 123 data yang berada di luar batas (40-80 kg), sehingga setelah dihapus data menjadi 15279.
4. TD Sistolik (70-170 mmHg)
· Terdapat 29 data yang missing dari system, sehingga setelah dicleaning menjadi 15250
· Terdapat 44 data yang kurang/melewati dari batas (70-170 mmHg), sehingga setelah dihapus data menjadi 15206.
5. TD Diastol (50-120 mmHg)
· Terdapat 16 data yang missing dari system sehingga data tersisa 15190
· Terdapat 329 data yang kurang/melewati dari batas (50-120 mmHg), sehingga setelah dihapus data menjadi 14761
6. Hb (8-14 gr%)
· Terdapat 4 data yang missing dari system, sehingga setelah dicleaning menjadi 14757.
· Terdapat 95 data yang kurang atau melewati dari batas (8-14 %), sehingga setelah dihapus data menjadi 14662.
Jadi à Data sebelum dicleaning : 16287
Data sesudah dicleaning : 14662
4) Analisis Univariat salah satu Variabel Kategorik (Pendidikan)
5) Analisis Univariat semua Variabel Numerik dalam database (sekaligus)
KOMENTAR :
a. Dari tabel diatas dapat dilihat rata- rata dari masing- masing data variabel numerik yaitu:
- Umur ibu = 27,98 tahun
- Tinggi badan = 158,529 cm
- Berat badan = 56,067 kg
- Tekanan darah sistolik = 116,23 mmHg
- Tekanan darah diastolik = 81,40 mmHg
- Kadar Hb = 11,623 gr %
6) Transformasi Data Variabel Kategorik
a. Pekerjaan
Langkah-langkahnya:
0. Klik Transform àPilih Recode àPilih Into Different Variables àPada kotak masukkan variable pekerjaan àUbah nama output variable ( “kerjaRT”) à ganti nama label output variable dengan “pekerjaan ibu(RT)” àklik change
1. Kemudian klik Old and New Values àMasukkan angka 1, 2, 3, 4, 5 pada Old values menjadi angka 1pada new values àMasukkan angka 6 pada Old values menjadi angka 0 pada new valuesnya àKlik Continue àKlik Paste.
2. Buka Syntax àTambahkan kalimat VARIABLE LABELS kerjaRT 'pekerjaan ibu(RT)'.ADD VALUE LABELS kerjaRT 1'bekerja' 2 'tidak bekerja'.àBlok paragraph àRun All à lihat hasilnya pada tabel SPSS.
b. Pendidikan
Langkah-langkahnya:
1. Klik Transform àPilih Recode àPilih Into Different Variables àPada kotak masukkan variable pendidikan àUbah nama output variable dengan “didik2”àUbah nama label output variable dengan “pendidikan” àKlik Change
2. Klik Old and New Values àMasukkan angka 0 dan 2 pada Old values menjadi angka 0 pada new valuesà Masukkan angka 3 dan 4 pada Old values menjadi angka 1 pada new values àKlik Continue àKlik Paste
3. Buka Syntax àTambahkan kalimat “ADD VALUE LABELS didik2 0 'Rendah' 1 'Tinggi' .” setelah kalimat “VARIABLE LABELS didik2 'pendidikan'. àBlok paragraph àkemudian Run All
C) Umur (Resti dan tidak resti)
Langkah-langkahnya:
a. Klik Transform àPilih Recode àPilih Into Different Variables àPada kotak masukkan variable umur àUbah nama output variable dengan “resiko tinggi” àUbah nama label output variable dengan “umr”àKlik Change
b. Klik Old and New Values àMasukkan angka 20 dan 35 (pada rentang) pada Old values menjadi angka 2 pada new values àMasukkan angka 19 (pada lowest thru) dan angka 36 (pada thru highest) pada Old values menjadi angka 1 pada new values –àKlik Continue àKlik Paste àBuka Syntax àTambahkan kalimat VARIABLE LABELS umr 'resiko tinggi'.ADD VALUE LABELS umr 1 'resti' 2 'tidak resti'. àBlok paragraph àkemudian Run All
7) Compute dan Transformasi Data IMT
Langkah-langkahnya:
a. Ambil TransformàPilih Compute àTulis IMT pada Target Variabel àPada Numeric Expression masukkan rumus BB/((TB / 100) * (TB / 100)) àKlik Paste àBuka Syntax àJalankan rumus tersebut dengan cara blok à Run All
b. Klik Transform àPilih Recode àPilih Into Different Variables àPada kotak masukkan variable IMT àUbah nama output variable dengan “IMT2” àUbah nama label output variable dengan “klasifikasi IMT” àKlik Change
c. Klik Old and New Values àMasukkan angka 18,50 dan 25,0 (pada rentang) pada Old values menjadi angka 2 pada new valuesàMasukkan angka 18,499 (pada lowest thru) pada Old values menjadi angka 1 pada new values àMasukkan angka 25,001 (pada thru highest) pada Old values menjadi angka 3 pada new values àKlik Continue àKlik Paste
d. Buka Syntax àTambahkan kalimat “ADD VALUES LABELS IMT2 1 'Kurus' 2 'Normal' 3 'Gemuk' .setelah kalimat VARIABLE LABELS IMT2 'Klasifikasi IMT' àBlok paragraph àRun All
8) Lakukan analisis bivariat sesuaitujuan penelitian dengan confidence interval 95%. Gunakan 7 langkah ringkas analisis bivariate.
A. Tujuan penelitian : Untuk mengetahui hubungan antara pendidikan dengan pekerjaan
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Pendidikan
· Dependen : Pekerjaan
2. Identifikasi field dalam database
· Independen : didik2
· Dependen : kerjart
3. Tentukan karakteristik field (K/N)
· didik : Kategorik
· kerja : Kategorik
4. Tentukan analisis sementara : Uji Beda Proporsi (chi-square)
5. Apabila terdapat variabel numerik à lakukan uji normality : tidak ada variabel numeriknya
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
- Ho : Tidak ada perbedaan proporsi antara pendidikan dengan pekerjaan
7. Bahas Hasil :
· P = 0,839 dan α = 0,05 sehingga à P>0,05
· Ho = Diterima
· Tidak ada perbedaan proporsi antara pendidikan dengan pekerjaan, BERARTI tidak ada hubungan pendidikan dengan pekerjaan.
B. Tujuan penelitian : Untuk mengetahui hubungan antara umur dengan kadar Hb
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Umur
· Dependen : Kadar Hb
2. Identifikasi field dalam database
· Independen : umr
· Dependen : hb
3. Tentukan karakteristik field (K/N)
· umur : numerik
· hb : Numerik
4. Tentukan analisis sementara : uji korelasi
5. Apabila terdapat variabel numerik àlakukan uji normality : ada,
- Variabel umur (resti): Tidak NORMAL.
Maka data pada variabel umur di log kan(Log_umur) dan di uji kembali apakah sudah normal apa belum è normal (berdasarkan hasil pada output dan pertimbangan pembimbing)
- Variabel kadar Hb
Maka data pada variabel umur di log kan(Log_Hb) dan di uji kembali apakah sudah normal apa belum è normal (berdasarkan hasil pada output dan pertimbangan pembimbing).
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
Ho : Tidak ada perbedaan Korelasi Regresi antara umur dengan kadar hb
7. Bahas Hasil :
P = 0,429 è P>0,05
Ho = Diterima
Tidak ada perbedaan Korelasi Regresi antara umur dengan kadar hb, BERARTI tidak ada hubungan umur dengan kadar hb.
C. Untuk mengetahui hubungan tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Tingkat Pendidikan
· Dependen : kontrasepsi yang dipilih
2. Identifikasi field dalam database
· Independen : didik2
· Dependen : mket
3. Tentukan karakteristik field (K/N)
· didik2 : Kategorik
· Mket : Kategorik
4. Tentukan analisis sementara : Uji Beda Proporsi (chi-square)
5. Apabila terdapat variabel numerik àlakukan uji normality : tidak ada
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
Ho : Tidak ada perbedaan proporsi antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
7. Bahas Hasil :
P = 0,023 sedangkan α= 0,05 à P<α
Ho = Ditolak (bermakna)
Jadi,Ada perbedaan proporsi antara antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB, BERARTI ada hubungan tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
D. Untuk mengetahui hubungan antara pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Pernah atau tidak mendapat tablet Fe
· Depende : Kadar Hb (anemia dan tidak anemia)
2. Identifikasi field dalam database
· Independen : tfe
· Dependen t : anemiawho
3. Tentukan karakteristik field (K/N)
· tfe : Kategorik
· hb : kategorik
4. Tentukan analisis sementara : Uji beda proporsi (chi-square)
5. Apabila terdapat variabel numerik à lakukan uji normality : tidak ada,
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
· Ho : Tidak ada perbedaan rata-rata antara pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil
7. Bahas Hasil :
P = 0,000 dan α=0,05 àp<α sehingga Ho = Ditolak (bermakna)
Ada perbedaan rata-rata antara pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil, BERARTI ada hubungan pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil.
E. Untuk hubungan antara tekanan darah (sistolik/diastolik) dengan golongan darah
A. Sistolik
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Tekanan Darah Sistolik
· Dependen : Golongan Darah
2. Identifikasi field dalam database
· Independen : sistol2
· Dependen : darah
3. Tentukan karakteristik field (K/N)
· sistol2 : Kategorik
· darah : Kategorik
4. Tentukan analisis sementara : Uji Beda Proporsi
5. Apabila terdapat variabel numerik àlakukan uji normality : tidak dilakukan uji normality
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
Ho : Tidak ada perbedaan rata-rata antara tekanan darah sistolik dengan golongan darah
7. Bahas Hasil :
P = 0,000 dan α=0,05 sehingga p<α (bermakna)
Ho = Ditolak
Ada perbedaan rata-rata antara tekanan darah sistolik dengan golongan darah, BERARTI ada hubungan antara tekanan darah sistolik dengan golongan darah.
B. Diastolik
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Tekanan Darah Diastolik
· Dependen : Golongan Darah
2. Identifikasi field dalam database
· Independen : diastol2
· Dependen : darah
3. Tentukan karakteristik field (K/N)
· diastol2 : K
· darah : K
4. Tentukan analisis sementara : Uji Beda Proporsi
5. Apabila terdapat variabel numerik à lakukan uji normality : tidak dilakukan uji normality
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
· Ho : Tidak ada perbedaan rata-rata antara tekanan darah diastolik dengan golongan darah
7. Bahas Hasil :
P = 0,000
Ho = Ditolak
· Ada perbedaan rata-rata antara tekanan darah diastolik dengan golongan darah, BERARTI ada hubungan tekanan darah diastolik dengan golongan darah.
==========================================================================
untuk lebih jelasnya silahkan download disini yaaaa...
atau klik disini ya,,
http://www.ziddu.com/download/18112268/UJIANRIZKAHAYYU.rar.html