search

Loading

Kamis, 26 Juli 2012

LAPORAN UAS KOMPUTER


 A. SPSS

No
Perintah yang harus dikerjakan
Cara
HASIL LAPORAN
1.
Identiras Mahasiswa
Tulis nama dan NIM
Nama : Suci Aprilian
Nim : 102114347
2.
Pemilihan File : Bagi yang digit terakhir NIM nya ganjil pilih file Ganjil.rec dan digit terakhir NIM genap pilih file GENAP.rec
File yang dipilih adalah ganjil. Rec

Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah GANJIL.
3.
Jalankan epidata, pilih menu export. Pilih file sesuai pilihan Anda (genap/ganjil) untuk dieksport ke SPSS. Setelah di export tutup epidata.
Buka epidata, export ganjil ke spss. Epidata ditutup kembali.
File hasil eksport Epidata ke SPSS berekstensi .sps dengan nama file ganjil.sps.
4.
Jalankan spss dan buka file syntax yang dihasilkan oleh exporting Epidata, kemudian Run syntax tersebut. Setelah running selesai simpan file data spss tersebut dengan nama file Nama Anda sendiri (sesuai dengan nama di absensi )
Buka spss , open data, pilih suci aprlian , lalu open syntax , edit, run all, lalu simpan dengan suci aprlian
File syntax ganjil.sps dieksport ke SPSS dan disimpan dengan nama suci aprlian dan ekstensi .sav.
5.
Periksa file data yang dihasilkan meliputi jumlah semua field, jumlah record, jumlah field kategorik dan jumlah field numerik
Lihat di variabel view lalu hitung
File data suci aprlian berisi 39 field dan 8390 record. ata kategorik sebanyak 26 field dan numerik sebanyak 13 Sesudah di hapus berjumlah 32 field, kategorik 20 field, numerik 12 field.


 6.  Simpan file syntax dengan nama yang sama dengan file data. Pastekan disini sintax tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus, tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana
 ini merupakan value labels dari variable labels beberapa field yaitu :
ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi' .
ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain2' .
ADD VALUE LABELS pernah 1 'Pernah' 2 'Tidak' .
ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS fundus 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tensi 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tfe 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tt 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS akseptor 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS ksepsi 1 'IUD' 2 'Kondom' 3 'Pil' 4 'Susuk' 5 'Lain2' .
ADD VALUE LABELS alasan 1 'Masih ingin punya anak' 2 'Dilarang Suami' 3 'Tdk Sesuai Keyakinan' 4 'Lain2' .
ADD VALUE LABELS rencana  1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5 'Lain2' . 

7. Periksa field pendidikan (didik). Jika ditemukan data yang missing atau jenis kategori selain dari yang legal, delete record yang missing.
untuk mengcleaning data : data-sortcase-masukkan variable yang mau di sortcase -ascending untuk mengurutkan data dari yang terkecil ke yang terbesar atau descending untuk mengurutkan data dari yang terbesar ke yang terkecil-OK.
Delet data yang mising : analyze-descriptif statistic-frekuensi-masukkan field yang mau di lihat data numerik tidak diceklist display data, kalo untuk data kategorik harus di ceklist-OK. akan keluar output data dan bisa diketahui jumlah data yang missing
jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8380 record.


8. Periksa field kerja, jika ditemukan data missing delete smua record yang field [kerja] nya missing. Analyse – descriptive statistik – fekuensi – kerja –ok
menghapus data missing : data – sort case – kerja ascending – ok.
Jumlah field sebelum kerja yg missing adalah 8380 dan setelah field erja dicleaning adalah 8378 record.


9.Lakukan cleaning data untuk variabel tekanan darah sistolik dengan batasan data yang sah (valid)nya adalah 100-300 mmHg,
Dengan cara : Transform – recode into diffrent variabel – td sistolik - masukkan batasan 100 300 – continue – paste.
Hapus data yang missing : data – sort case – TD sistolik ascending ok. Delete yang dibawah 100 dan di atas 300.
Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8378 record dan setelah dilakukan penghapusan field sistol yang missing tersisa 7127 record.

10. Lakukan hal yang sama dengan soal nomor 9 untuk variabel tekanan daarah diastolik [diastol] dengan batasan 60-150 mmHg. Transform – recode into diffrent variabel – td diastolik - masukkan batasan 60 – 150 – continue – paste  Hapus data yang missing : data – sort case – TD diastolik ascending – ok Delete yang dibawah 60 dan di atas 150. sebelum di delete diastol yang missing adalah sebanyak 7127 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 6956 record

11. Periksa kembali NIM Anda :
Catat angka 2 digit terakhir NIM Anda
Jika digit terakhir Anda adalah Ganjil, kerjakan soal nomor 12.a dan 12.b dan bila digit terakhir NIM Anda genap kerjakan soal nomor 13.a dan 13.b . Ganjil maka mengerjakan no 12 digit terakhir 
2 digit terakhir NIM saya adalah : 47
1 digit terakhir adalah :  7 Ganjil

12. a. Sort field tinggi badan ibu [tb] dengan sort order
      b. Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda.
Dengan cara : Data – sort case – tb –ascending – ok
Jumlah record tersisa setelah di delete sebanya 100 record mulai dari 2 digit NIM adalah 6856 record.

13.---

14. Buat tabel distribusi frekuensi untuk variabel Pendidikan [didik] dan berikan komentar singkat.
klik Analyse – descriptive statistik – frekuensi – didik –ok. 
Dari tabel distribusi frekuensi pendidikan formal ibu Rata-rata ibu berpendidikan tinggi SLTA dan Perguruan Tinggi Hanya 2.8 % ibu berpendidikan BH/SD


15.  Sederhanakan kategori pendidikan menjadi tinggi dan rendah, dimana pendidikan tinggi adalah SLTA ke atas. Pastekan lebih duluu perintah transformasi ke syntax sebelum di OK kan atau sebelum di-run kemudian hitung distribusi frekuensi kategori pendidikan yang sudah disederhanakan tersbut. Pastekan disini syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan
Transform – recode into different variabel – didik – tinggi di atas SMA dan selebihnya bawah – paste
Buka syntax tambahkan add value labels didik2 1 ‘Tinggi’ 2 ‘Rendah’ . – blok recode sampai execute tadi lalu run current
RECODE
  didik
  (0=2)  (2=2)  (3=1)  (4=1)  INTO  didik2 .
VARIABLE LABELS didik2 'Pendidikan Tinggi dan Rendah'.
ADD VALUE LABELS didik2 1 'Tinggi' 2 'Rendah'.
EXECUTE .

86.7 % ibu berpendidikan tinggi, berarti bisa disimpulkan pengetahuan ibu tinggi
Sedangkan 13.3 % ibu berpendidikan rendah
Jadi, lebih banyak ibu berpendidkan tinggi dari pada ibu berpendidikan rendah

16. Lakukan cleaning data fiel kategorik lainnya seperti : darah, pernah, akseptor, alasan dan rencana seperti mengerjakan soal nomor 7 di atas Laporkan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning
Analyse – descriptif statistic – frekuensi – darah – ok
Jika ada yang missing delete : data – sort case – darah – ascending - ok

·         Jumlah record golongan darah sebelum 6856 dan sesudah melakukan cleaning 6852 record.
·         Jumlah record pernah sebelum 6852 dan sesudah melakukan cleaning 6851 record.
·         Jumlah record akseptor sebelum 6851 dan sesudah melakukan cleaning 6847 record.
·         Jumlah record alasan sebelum 6847 dan sesudah melakukan cleaning 6839 record.
·         Jumlah record rencana sebelum 6839 dan sesudah melakukan cleaning 6783 record.


17.  Lakukan cleaning data lanjutan untuk field di bawah ini dengan batasan sbb :
- Kadar Hb : 6,0 - 17,5 mg/dl
- Tinggi badan 135,0 - 180 cm
- Berat Badan : 35,0 - 80,0 kg Laporkan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning. Caranya:
data – sort case – kadar Hb – ascending – ok, jika tidak sesuai ketentuan delete
data – sort case – TB – ascending – ok, jika tidak sesuai ketentuan delete
data – sort case – BB – ascending – ok, jika tidak sesuai ketentuan delete
hasil :
Jumlah record kadar Hb sebelum 6783 dan sesudah melakukan cleaning 6757 record.
Jumlah record TB sebelum 6757 dan sesudah melakukan cleaning 6754 record.
Jumlah record BB sebelum 6754 dan sesudah melakukan cleaning 6738 record.
 
18. Lakukan langkah cleaning data terakhir untuk melihat konsistensi antar field yang saling berhubungan, yaitu antara pernah memeriksakan kehamilan [pernah] dengan frekuensi pemeriksaan kehamilan. Sampel yang pernah memeriksakan kehamilan frekuensinya minimal 1 dan tak boleh kosong. Sampel yang tak pernah memeriksakan kehamila maka frekuensi pemeriksaannya harus missing Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete).
frekuensi pernah memeriksaan kehamilan dengan frekuensi pemeriksaan kehamilan,caranya : analyse – descriptive statistic – frekuensi – pernah dan kali – hilangkan cek display picture – ok
cara cleaning data dengan cara ambil data – sort case – pilih pernah memeriksa kehamilan (descending) dan frekuensi pemeriksaan kehamilan (ascending) – ok
hasilnya :
Jumlah record sebelum 6738 dan sesudah melakukan cleaning 6566 record.
19. sort case field pernah memeriksakan kehamilan lalu liat field 5T jika 2 berarti tidak pernah memriksakan kehamilan berarti 5T harus 0. Setelah itu frequensi kan 5T untuk mengetahui missing setelah dapat delete missing.
Data pernah, fundus, ukurtb,tensi,tfe dan tt di sortcase ascending lalu di lihat fieldnya. Apabila isi field pernah 1 maka 5T harus terisi dan apabila isi field pernah 2 maka 5T harus 0. Apabila ada yang missing di delete.
Jumlah record sebelum 6566 dan sesudah melakukan cleaning 6531 record.
20. Sort case field akseptor lalu liat field nya jika 0 filed ksepsi, dan N5E harus kosong dan field alasan tidak berKB dan alasan lain tidak ber KB harus terisi.
Data akseptor, ksepsi dan alasan tidak berKB di sortcase ascending lalu dilihat fieldnya. Apabila field akseptor di isi 0 maka kspesi dan N5E harus disi sedangkan alasan tikda berKB harus kosong.Apabila ditemukan data yang tidak sesuai delete.
Jumlah record sebelum 6531 dan sesudah melakukan cleaning 6422 record.
21. Pastekan semua syntax yang berhubungan dengan compute IMT dan pengkategoriannya disini, kemudia paste-kan output frekuensi kaegori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output.
*perhitungan IMT Ibu.
COMPUTE IMTIbu = bb / ((tb / 100) * (tb / 100)).
VARIABLE LABELS IMTIbu 'IMT Ibu Hamil'.
EXECUTE.

*perhitungan IMT Anak Balita.
COMPUTE IMTanak = weight / ((tb / 100) * (tb / 100)).
VARIABLE LABELS IMTanak 'IMT Anak Balita'.
EXECUTE.

RECODE
  IMTIbu
  (Lowest thru 16.9=1)  (17.00 thru 18.5=2)  (18.6 thru 25=3)  (25.1 thru 27=4)  (27.1 thru Highest=5)  INTO  imt15.
VARIABLE LABELS imt15 'IMT Ibu Hamil'.
ADD VALUE LABELS imt15 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE.
RECODE
  IMTanak
  (Lowest thru 16.9=1)  (17.0 thru 18.4999999=2)  (18.5 thru 25.0000001=3)  (25.0 thru 27.0=4)  (27.001 thru Highest=5)  INTO
   imta5.
VARIABLE LABELS imta5 'IMT Anak Balita'.
ADD VALUE LABELS imta5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE.
RECODE
IMTIbu
(Lowest thru 18.5=1) (18.6 thru 25=2) (25.1 thru Highest=3) INTO imt13.
VARIABLE LABELS  imt13 'IMT ibu'.
ADD VALUE LABELS imt13 1 'kurus' 2 'normal' 3 'gemuk'.
EXECUTE.
RECODE
IMTanak (Lowest thru 18.4999999=1) (18.5 thru 25.0000001=2) (25.0 thru Highest=3) INTO
    imta3.
VARIABLE LABELS  imta3 'IMT anak balita'.
ADD VALUE LABELS imta3 1 'kurus' 2 'normal' 3 'gemuk'.
EXECUTE.


  B. Analisa Bivariat
untuk membuat analisa bivariat perlu melakukan 7 langkah yaitu :
a Identifikasi variabel dalam tujuan penelitian
b Identifikasi field dalam database
c Tentukan karakteristik data (K/N
d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
 f Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu.
a. Untuk Mengetahui Hubungan antara Pendidikan dengan Pekerjaan yang Dimiliki Responden.

1.      Pendidikan           => variabel independent
Pekerjaan             => variabel dependent

2.      Pendidikan           => didik
Pekerjaan             => kerja

3.      didik                     => kategorik
kerja                     => kategorik

4.      Uji Beda Proporsi – Uji Non Parametrik (Chi Square). Makin tinggi pendidikan makin tinggi jenis pekerjaan yang dimiliki ibu.
HO Pengujian : Tidak ada perbedaan tingkat pekerjaan ibu antara ibu yang tamat SD, SLTP, SLTA dan Perguruan Tinggi.
Diuji pada confidents interval 95%.

5.     

6.      Uji, baca, interpretasi.

7.      Bahas :
P< 0,05 maka HO ditolak.
“Ada hubungan antara tingkat pendidikan ibu dengan pekerjaan yang  dimiliki”.

b. Untuk Mengetahui Hubungan antara Pekerjaan Ibu dengan Alat Kontrasepsi yang Dipilih Ibu untuk Ber-KB.

1.      Pekerjaan                         => variabel independent
Alat Kontrasepsi             => variabel dependent

2.      Pekerjaan                         => kerja
Alat Kontrasepsi             => ksepsi

3.      kerja                                => kategorik
ksepsi                               => kategorik

4.      Uji Beda Proporsi – Uji Non Parametrik (Chi Square). Makin tinggi pekerjaan ibu makin baik/mahal alat kontrasepsi yang dipakai ibu untuk ber-KB.
HO Pengujian : Tidak ada perbedaan proporsi antara pekerjaan ibu dengan alat kontrasepsi yang dipilih ibu untuk ber-KB.
Diuji pada confidents interval 95%.

5.     
6.      Uji, baca, interpretasi.

7.      Bahas :
P< 0,05 HO ditolak
“Ada hubungan antara tingkat pekerjaan ibu dengan alat kontrasepsi yang dipakai ibu”.

c. Untuk Mengetahui Hubungan antara Pemberian Tablet Fe dengan Kadar Hemoglobin dalam Darah.

1.      Pemberian tablet Fe        => variabel independent
Kadar Hb                         => variabel dependent

2.      Pemberian tablet Fe        => tfe
Kadar Hb                         => hb

3.      Tfe                                                => kategorik
Hb                                     => numerik

4.      Uji Beda Proporsi – Uji Parametrik (T-Test). Makin sering mengkonsumsi tablet Fe makin baik/tinggi kadar Hb ibu.
HO Pengujian : Tidak ada perbedaan rata-rata yang signifikan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah.
Diuji pada confidents interval 95%.

5.      Uji normality :
6.      Berdasarkan data di atas, dapat disimpulkan bahwa data diatas Tidak Normal. Sehingga tidak dilakukan uji selanjutnya.

d. Untuk Mengetahui Hubungan antara Pendidikan dengan Frekuensi Pemeriksaan Kehamilan.

1.      Pendidikan                                               => variabel independent
Frekuensi pemeriksaan kehamilan        => variabel dependent

2.      Pendidikan                                               => didik
Frekuensi pemeriksaan kehamilan        => kali

3.      didik                                                         => kategorik
kali                                                            => numerik

4.      Uji Beda Proporsi – Uji Parametrik (Anova). Makin tinggi pendidikan makin sering pula yang melakukan pemeriksaan kehamilan.
HO Pengujian : Tidak ada perbedaan proporsi ibu yang sering atau jarang memeriksakan kehamilan antara ibu yang tamat SD, SLTP, SLTA dan Perguruan Tinggi.
Diuji pada confidents interval 95%.

5.    Uji Normality :

6.    Uji, baca, interpretasi.
Berdasarkan data diatas, dapat disimpulkan bahwa data diatas Tidak Normal. Sehingga tidak dilakukan uji selanjutnya.

e. Untuk Mengetahui Hubungan antara Umur Ibu dengan Tekanan Darah Sistolik.

1.      Umur Ibu                         => variabel independent
Tekanan Darah Sistolik => variabel dependent

2.      Umur Ibu                          => umur
Tekanan Darah Sistolik => sistol

3.      umur                                 => numerik
sistol                                  => numerik

4.      Uji Korelasi. Makin tinggi umur ibu makin tinggi tekanan darah sistoliknya.
HO Pengujian : Tidak ada korelasi antara umur ibu dengan tekanan darah sistolik.
Diuji pada confidents interval 95%.

5.      Uji Normality :

P<0,05 maka sebaran tidak normal

6. Uji Korelasi Spearman.
7.      Bahas :
Korelasi arahnya positif dan memiliki kekuatan yang kuat.


  C. WHO ANTRO
Lagkah-langkah dalam menghitung prevalensi sifat masalah gizi :

1.      Save as dan SPSS ke format dbase IV
2.      Buka WHO Anthro dan menggunakan menu Nutritional survey baca data DBF, kemudian olah sesuai prosedur yang sudah di pelajari
3.      Pilih semua baris dan copy ke Clipboard dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu di edit, kemudian simpan ke format Excel 97-2003
4.      Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan
5.      Lakukan trasformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U, BB/U). langkah ini bisa di persingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi statsu gizi dengan perintah frequencies dan pastekan hasilnya.
6.      Hitung prevalensi sifat masalah gizi (akut dan kronis, kronis,akut dan normal). Cara tercepat melakukannya adalah me-run syntax yang di hasilkan pada praktek dalam perkuliahan. Hasil prevalensinya di pastekan disini.

Hasil nya :
Klasifikasi status gizi menurut BB/TB
       21.4% anak berstatus Sangat kurus dan 21.6% anak berstatsu gemuk. prevalensi anak berstatus Gizi normal yaitu sebanyak 50.8%

Klasifikasi status gizi menurut TB/U
      7.8% anak berstatus sangat pendek dan hanya 18.4% anak berstatus tinggi. sedangkan prevalensi anak berstatus normal sebanyak 50,9%.

  Klasifikasi status gizi menurut BB/U
      20,7% anak berstatus gizi buruk dan lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 58,4%.

Akut dan Kronis
       9.3% anak yang dinyatakan menderita kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi normal yaitu sebanyak 57.6%.

LLIHAT SELENGKAPNYA...........



Minggu, 15 Juli 2012

LAPORAN HASIL UJIAN AKHIR SEMESTER 4


No
Hasil Laporan
1.
Nama  : Suci Aprilian
Nim     : 102114347

2.
Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah ganjil.

3.
File hasil eksport Epidata ke SPSS berekstensi sps dengan nama file ganjil.sps.

4.
File syntax ganjil.sps dieksport ke SPSS dan disimpan dengan nama suci aprlian dan ekstensi sav.

5.
File data suci aprlian berisi 39 field dan 8390 record. Data kategorik sebanyak 26 field dan data numerik sebanyak 13 field.
Setelah dihapus File data suci aprlian berisi 32 field dan 8390 record. Data kategorik sebanyak 20 field dan data numerik sebanyak 12 field.

6.
Simpan file syntax dengan nama yang sama dengan file data. Pastekan disini sintax tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus, tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana
ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi' .
ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain2' .
ADD VALUE LABELS pernah 1 'Ya' 2 'Tidak' .
ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS fundus 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tensi 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tfe 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tt 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS akseptor 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS ksepsi 1 'IUD' 2 'Kondom' 3 'Pil' 4 'Susuk' 5 'Lain2' .
ADD VALUE LABELS alasan 1 'Masih ingin punya anak' 2 'Dilarang Suami' 3 'Tdk Sesuai Keyakinan' 4 'Lain2' .
ADD VALUE LABELS rencana  1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5 'Lain2' .




See More......

Senin, 11 Juni 2012

Tugas Komputer Lanjut


  1. Tujuan penelitian:
Mengetahui hubungan tingkat pendidikan ibu dengan jenis pekerjaan yang dimiliki
a.      Variabel independen à tingkat pendidikan ibu
Variabel dependen à jenis pekerjaan ibu
b.      Tingkat pendidikan ibu à didik
Jenis pekerjaan ibu à kerja
c.       Didik à kategorik
Kerja à kategorik
d.      uji → uji beda proporsi. Makin tinggi tingkat pendidikan makin tinggi pekerjaan ibu. HO pengujian : tidak ada perbedaan proporsi ibu yang memiliki perkejaan antara ibu yang tamat SD,SLTP,SLTA dan Perguruan Tinggi.
e.     
f.         


Chi-Square Tests

Value
df
Asymp. Sig. (2-sided)
Pearson Chi-Square
5.637E3a
15
.000
Likelihood Ratio
5.110E3
15
.000
Linear-by-Linear Association
2.280E3
1
.000
N of Valid Cases
8065


a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 11,17.

g.      ada perbedaan proporsi ibu yang memiliki pekerjaan antara ibu yang tamat SD, SLTP,SLTA dan Perguruan Tinggi.
  1. Tujuan penelitian
Mengetahui hubungan tingkat pendidikan Ibu dengan kadar Hb ibu
a.      Var independent à tingkat pendidikan ibu
Var dependen à kadar Hb ibu
b.      Tingkat pendidikan ibuà didik
Kadar Hb ibu à Hb
c.       Didik à kategorik
Kadar Hb à numerik
d.      Uji annova à makin tinggi tingkat pendidikan ibu makin tinggi pula kadar Hb ibu. HO à tidak ada perbedaan proporsi ibu yang berpendidikan SD, SLTP, SMA dan Perguruan Tinggi dengan kadar Hb
e.      Uji normality

Statistics
Kadar HB (g/dl)

N
Valid
8065
Missing
0
Mean
11.654
Median
12.000
Mode
12.0
Skewness
.143
Std. Error of Skewness
.027
è Data normal
f.         

ANOVA
Kadar HB (g/dl)






Sum of Squares
df
Mean Square
F
Sig.
Between Groups
71.356
3
23.785
24.961
.000
Within Groups
7681.467
8061
.953


Total
7752.824
8064



g.      ada perbedaan proporsi ibu yang memiliki kadar Hb tinggi atau rendah  antara ibu yang tamat SD, SLTP,SLTA dan Perguruan Tinggi.

  1. Tujuan penelitian
Mengetahui hubungan tingkat pendidikan dengan mendapat imunisasi TT saat pemeriksaan kehamilan pertama kali
a.      Var independent à tingkat pendidikan ibu
Var dependen à pernah atau tidaknya mendapat imunisasi TT saat pemeriksaan pertama kali
b.      Tingkat pendidikan à didik
Pernah atau tidaknya mendapat TT à TT
c.       Didik à kategorik
TT à kategorik
d.      Uji chi square à makin tinggi tingkat pendidikan ibu makin tinggi pula frekuensi pernah atau tidak pernahnya ibu mendapat imunisasi TT saat pemeriksaan kehamilan pertama kali
e.     
f.         
Chi-Square Tests

Value
df
Asymp. Sig. (2-sided)
Pearson Chi-Square
17.333a
3
.001
Likelihood Ratio
17.426
3
.001
Linear-by-Linear Association
4.593
1
.032
N of Valid Cases
7668


a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 22,20.
g.      Ada perbedaan proporsi ibu yang mendapat imunisasi TT pada pemeriksaan pertama kali antara ibu yang berpendidikan SD, SLTP, SMA dan Perguruan Tinggi