|
No
|
Perintah yang harus dikerjakan
|
Cara
|
HASIL LAPORAN
|
|
1.
|
Identiras Mahasiswa
|
Tulis nama dan NIM
|
Nama : Rinny anggraeni
Nim : 102114341
|
|
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 Rinny
anggraeni
|
|
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 Rinny anggraeni, lalu open
syntax , edit, run all, lalu simpan dengan nama Rinny anggraeni
|
File
syntax Rinny
anggraeni dieksport ke SPSS dan disimpan dengan nama Rinny anggraeni 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 [Rinny
anggraeni]
berisi 39 field dan 8390 record. Data kategorik sebanyak 19 field (sebelum
dihapus )
dan data numerik sebanyak 20 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 'Perguruan Tinggi'.
ADD
VALUE LABELS kerja 1'PNS' 2 'Swasta' 3 'wiraswasta' 4 'Pedagang' 5 'buruh' 6
'lain-lain'.
ADD
VALUE LABELS pernah 1'pernah' 2 'tidak pernah'.
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 TT 0 'tidak' 1 'ya'.
ADD
VALUE LABELS Tfe 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 'lain-lain'.
ADD
VALUE LABELS alasan 1 'masih ingin punya anak' 2 'dilarang suami' 3 'tidak
sesuai dengan keyakinan' 4 'lain-lain'.
ADD
VALUE LABELS rencana 1 'RSB/RSU' 2 'PKM/Pustu' 3 'Nakes/swasta' 4 'dukun' 5
'lain-lain'.
7.soal : Periksa field pendidikan(didik). Jika ditemukan data yang
missing atau jenis kategori selain dari
yang legal, delete record yang missing tersebut.
Cara mengerjakan
: Analyse – descriptive
statistik – fekuensi – didik –ok Hapus data yang missing : data – sort case –
didik ascending – ok Delete yang missing.
Hasil Periksa field Pendidikan [didik] Catat disini jumlah record sebelum
didelete 390 record dan sesudah didelete yang missing tersisa 8380 record
8.soal : Periksa field kerja, jika ditemukan data missing delete smua record
yang field [kerja] nya missing.
Cara
: Analyse
– descriptive statistik – fekuensi – kerja –ok Hapus data yang missing : data –
sort case – kerja ascending – ok. Delete yang missing.
Hasil
: Periksa
field kerja umlah field sebelum kerja yg missing adalah 8380 dan setelah field
erja dicleaning adalah 8378 record
9. soal : Lakukan cleaning data untuk variabel tekanan darah
sistolik dengan batasan data yang sah (valid)nya adalah 100-300 mmHg, artinya record
kurang dari 100 dan lebih dari 300 didelete.
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.
Hasil : Jumlah record sebelum di delete sistol yang missing adalah sebanyak
8378 record dan setelah dilakukan penghapusan field sistol yang missing tersisa
7127 record.
10. soal : Lakukan hal yang sama dengan soal
nomor 9 untuk variabel tekanan daarah diastolik [diastol] dengan batasan 60-150
mmHg.
Cara : 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.
Hasil
: Jumlah record sebelum di delete diastol yang
missing adalah sebanyak 7127 record dan
setelah dilakukan penghapusan field diastol yang missing tersisa 6956 record.
11. s 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
- NIM saya adalah : 41
- 1 digit terakhir adalah : 1 Ganjil
12. a Sort field tinggi badan ibu [tb] dengan sort
order
b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda. Data – sort case – tb –ascending – ok
b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda. Data – sort case – tb –ascending – ok
Delete dari 41 sampai 100
Jumlah record tersisa setelah di delete sebanya 100 recor mulai dari
2 digit NIM adalah 6856 record
14. Buat tabel distribusi frekuensi untuk variabel
Pendidikan [didik] dan berikan komentar singkat ! Analyse
– descriptive statistik – frekuensi – didik –ok.
Keterangan
- ibu-ibu yang berpendidikan BH./SD sebanyak 195 dengan presentase 2.8
- ibu-ibu yang berpendidikan SLTP sebanyak 714 dengan presentase 10.4
- ibu-ibu yang berpendidika SLTA sebanyak 2961 dengan presentse 43.2
- ibu-ibu yang berpendidikan Perguruan Tinggi sebanyak 2986 dengan presentase 43.6
15. soal : Sederhanakan kategori pendidikan
menjadi tinggi dan rendah, dimana pendidikan tinggi adalah SLTA ke atas.
Cara : 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.
Hasil : Dari
kategori pendidikan ibu memiliki tingkat pendidikan tinggi yaitu SMA ke atas
sebanyak 5947
orang sedangkan ibu yang memiliki tingkat pendidikan rendah (SMA ke bawah)
sebanyak 909
orang.
16.
soal : 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.
Cara : Analyse – descriptivr statisric – frekuensi
– darah – ok
Jika
ada yang missing delete ( dengan melihat jumlah yang konsisten ), caranya data
– sort case – darah – ascending – ok. Begitu juga dengan field pernah,
akseptor, alasan, dan rencana.
Hasil :
Darah :
Data sebelum cleaning
6856 setelah di cleaning : 6852
a. Pernah sebelum cleaning 6852 setelah di cleanig :
6851
b. Akseptor sebelum dicleaning 6851 setelah di
cleaning : 6845
c. Alasan sebelum dicleaning 6845 setelah dicleaning
: 6843
d. Rencana sebelum di cleaning 6843 setelah di
cleaning : 6789
17. Soal : 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 – 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 :
a. Hb
data sebelum dicleaning
6789 setelah di cleaning 6763
b. TB
data sebelum di cleaning
6763 setelah dicleaning 6760
c. BB
data sebelum di cleaning
6760, setelah di cleaning 6744
18. soal : 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).
Caranya
: - sort case field pernah
memeriksakan kehamilan lalu dilihat secara manual jika filed pernah di isi
angka 1 maka field frekuensi harus besar dari 1 . Apabila field pernah diisi
angka 2, maka filed frekuensi pemeriksaan kehamilan harus missing. Apabila ditemukan
hal yang demikian maka harus di delete.
Hasil : Jadi, data sebelum di cleaning 6744 setelah dicleaning 6580
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. Jadi, data sebelum di cleaning 6580 setelah di cleaning 6410.
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. Jika 1 field ksepsinya maka alasan ksepsi harus
ter isi. Jadi , data sebelum di cleaning 6410 setelah dicleaning 6300.
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.
COMPUTE IMTIbu = bb /
((tb / 100) * (tb / 100)) .
VARIABLE LABELS IMTIbu
'IMT Ibu Hamil' .
EXECUTE .
* Perhitungan IMT Anak.
COMPUTE IMTAnak = weight
/ ((height / 100) * (height / 100)) .
VARIABLE LABELS IMTAnak
'IMT Anak Balita' .
EXECUTE .
RECODE
IMTIbu (Lowest thru 16.999=1) (17.0 thru 18.499=2) (27.001 thru Highest=5) (25.001 thru 27.0=4) (18.501 thru 25.001=3) INTO
imti5 .
VARIABLE LABELS imti5
'IMT Ibu Hamil'.
ADD VALUE LABELS imti5 1
'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE .
|
Hasil bisa dilihat di link
|
Komentar : Mayoritas IMT ibu normal yaitu sekitar
91,5%
RECODE IMTAnak (Lowest
thru 18.4999=1) (18.5 thru 25.00=2) (25.01 thru Highest=3) INTO imt5a.
VARIABLE LABELS imt5a 'kategori IMT anak'.
ADD VALUE LABELS imt5a 1
'kurus' 2 'normal' 3 'gemuk'.
EXECUTE
|
Hasil bisa dilihat di link
|
|
Komentar : sebanyak 75.7 % IMT anak dalah kurus
|
Analisa Bivariat
1.
Tentukan variabel
independen dan dependen sesuai dengan tujuan penelitian
2.
Tentuka nama field
dari variable tersebut
3.
Tentukan apakah
variable tersebut tergolong ke numerik atau kategorik
4.
Tentukan uji yang
harus dilakukan.
Apabiladata
kategorik maka di lakukan uji chi-square dan HO pengujiannya. Apabila numerik
dengan kategorik uji yang dilakukan uji anova, apabila numerik dan kategorik
uji t-test, dan apabila keduanya numerik maka dilakukan uji korelasi.
a.
Cara melakukan uji chi-square : klik analyze,
pilih descriptif statistic, pilih crosstab. masukkan variablenya dan pilih
statistik lalu ceklist chi-square.
b.
Cara melakukan uji t-test : klik analyze,
compare mean lalu klik independent sample t-test. pada test variable masukkan
data numerik dan data kategorik serta tetapkan define group misalnya 1= tinggi
2 =rendah. lalu klik OK
c.
Cara melakukan uji Anova : klik analyze, pilih
omapre mean dan pilih one-way Anova. masukkan variblenya dan jgan lupa
klik post hoc untuk mengklik bafferoni dan klik OK.
5.
Kalau salah satu
varible merupakan variable numerik maka harus di lakukan uji nomality dengan
cara klik analyze, pilih descriptive statistic lalu pilih explore dan masukkan
variable lalu klik plots dan ceklist normality plots with t-test dan klik
histogram untuk melihat sebaran datanya.lalu pada statistik ceklist outlier
untuk melihat data extrim lalu klik OK.
6.
Lalu lihat
hasil uji
7.
Buat bahas dan buat
kesimpulan serta bandingkan dengan penelitian terdahulu
A. Tujuan penelitian : untuk mengetahui hubungan antara pendidikan
dengan pekerjaan yang dimiliki responden.
1. var
independen : pendidikan ibu
Var dependen : pekerjaan ibu
2.
pendidikan ibu : didik
Pekerjaan ibu : kerja
3. didik : kategorik
Kerja :
kategorik
4. uji
statistik yang akan dilakukan adalah uji chi square dengan
HO : tidak ada hubungan antara tingkat pendidikan ibu
dengan pekerjaan yang dimiliki ibu
Kesimpulan : 7.P<0.05 maka HO ditolak
“
ada hubungan antara tingkat pendidikan ibu dengan pekerjaan yang dimiliki”
B. Tujuan penelitian : untuk mengetahui hubungan antara
pekerjaan ibu dengan kontrasepsi yang dipakai.
1. var
independen : pekerjaan ibu
Var
dependen : kontrasepsi yang
dipakai
2. pekerjaan
ibu : kerja
Kontrasepsi yang dipakai : ksepsi
3. kerja : kategorik
ksepsi :
kategorik
4. uji
statistik yang akan dilakukan adalah uji chi square dengan
HO : Tidak
ada hubungan antara pekerjaan ibu dengan kontrasepsi yang dipakai.
5. –
6.
7. kesimpulan : P<0.05 maka HO ditolak
“ ada hubungan antara pekerjaan ibu dengan kontrasepsi yang dipakai.
C. Tujuan penelitian : untuk mengetahui hubungan antara pemberian tablet Fe dengan kadar
hemoglobin dalam darah
1. var
independen : pemberian tablet Fe
Var dependen :
kadar hemoglobin dalam darah
2. pemberian
tablet Fe : TFE
Kadar hemoglobin dalam darah : HB
3. TFE :
kategorik
HB : numerik
4. uji
statistik yang akan dilakukan adalah uji T-Test dengan
HO :tidak
perbedaan rata-rata proporsi ibu antara pemberian Fe dengan Kadar Hb
5. uji
normality -Ã data berdistribusi TIDAK
normal
7. Kesimpulan : data tidak normal sehingga tidak bisa dilanjutkan pengujian
D. Tujuan
penelitian : untuk mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan.
1. var
independen : pendidikan
Var dependen :
frekuensi pemeriksaan kehamilan
2.
pendidikan : didik
Frekuensi pemeriksaan kehamilan : kali
3. didik :
kategorik
Frekuensi pemeriksaan kehamilan : numerik
4. uji
statistik yang akan dilakukan adalah uji Anova dengan
HO :tidak ada perbedaan rata-rata proporsi ibu antara
berpendidikan (BH/ SD, SLTP, SMA, Perguruan Tinggi) dengan frekuensi kehamilan
5. uji
normality : data berdistribusi normal
7. kesimpulan
P<0.005. HO di tolak. ada perbedaan rata-rata proporsi ibu antara
berpendidikan (BH/ SD, SLTP, SMA, Perguruan Tinggi) dengan frekuensi kehamilan.
E. Tujuan
penelitian : untuk mengetahui hubungan antara umur ibu dengan tekanan darah sistolik
1. var
independen : umur ibu
Var dependen :
tekanan darah sistolik
2. umur ibu : umur
Tekanan darah sistolik : sistol
3. umur :
numerik
Sistol :
numerik
4. uji
statistik yang akan digunakan uji kolerasi spearman. Makin tinggi umur seseorang maikn tinggi tekanan
darah sistoliknya. Ho pengujian Tidak Ada Korelasi antara umur ibu dengan
tekanan darah sistoliknya
5. uji
normality
7. kesimpulan : Nilai
kolerasi 0.79. maka arah positif berkekuatan kuat. Maka dapat disimpulkan bahwa
ada hubungan / kolerasi yang kuat antara umur ibu dengan tekanan darah
sisitoliknya.
WHO ANTRO
SOAL : olah data ke WHO
antro
Langkah-1 Save As dana SPSS ke format dbase IV
Langkah-2. Buka WHO Anthro dan menggunakan menu Nutrional Survey baca data DBF, kemudian olah sesuai prosedur yang sudah dipelajari.
Langkah-3. Pilih semua baris dan copy ke Clipboar dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu diedit, kemudian simpan ke format Excel 97-2003
Langkah-4. Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan.
Langkah-5. Lakukan transformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U dan BB/U). Langkah ini bisa dipersingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi status gizi dengan perintag frequencies dan pastekan hasilnya di lembar jawab bersamaan dengan jawaban soal-soal di atas
Langkah-6. Hitung prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal). Cara tersepat melakukannya adalah me-run syntax yang dihasilkan pada praktek dalam perkuliahan. Hasil prevalensinya dipastekan di sini
Langkah-2. Buka WHO Anthro dan menggunakan menu Nutrional Survey baca data DBF, kemudian olah sesuai prosedur yang sudah dipelajari.
Langkah-3. Pilih semua baris dan copy ke Clipboar dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu diedit, kemudian simpan ke format Excel 97-2003
Langkah-4. Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan.
Langkah-5. Lakukan transformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U dan BB/U). Langkah ini bisa dipersingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi status gizi dengan perintag frequencies dan pastekan hasilnya di lembar jawab bersamaan dengan jawaban soal-soal di atas
Langkah-6. Hitung prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal). Cara tersepat melakukannya adalah me-run syntax yang dihasilkan pada praktek dalam perkuliahan. Hasil prevalensinya dipastekan di sini
Hasil Kerja Who Antro
1. Klasifikasi status gizi menurut
BB/TB :
dari hasil
dapat dilihat bahwa sebanyak 21.3 % anak
berstatus Sangat kurus dan 22,6% anak berstatus gemuk. prevalensi
anak berstatus Gizi normal yaitu sebanyak 49,7 %.
2. Klasifikasi status gizi menurut
TB/U :
dari hasil
dapat dilihat sebanyak 24.3 % anak berstatus sangat
pendek dan hanya 18.2% anak berstatus tinggi. sedangkan
prevalensi anak berstatus normal sebanyak 49.8%.
3. Klasifikasi status gizi menurut
BB/U :
dari hasil
dapat dilihat sebanyak 21.5 % anak berstatus gizi buruk dan
lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 56.8 %.
4. Akut dan Kronis :
dari hasil
dapat dilihat hanya 9.4 % anak yang dinyatakan menderita
kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi
normal yaitu sebanyak 56.7 %.
