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.
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
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
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
- 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
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.
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...........
LLIHAT SELENGKAPNYA...........