Senin, 02 Januari 2012

Final Step Febry Mutiariami Dahlan

UJIAN AKHIR SEMESTER
KOMPUTER
Nama              : Febry Mutiariami Dahlan
NIM                 : 09414097
Kelas               : IIIA
Jurusan Prodi D III Kebidanan Padang
Poltekkes Kemenkes RI Padang

berisi : *SAV(data)
                *SPO(output) => output1 dan output 2
                *DOC(Word)
                *SPS(syntax)
LANGKAH-LANGKAH
1)     EXPORT FILE EPIDATA KE SPSS
v  Buka epidata
v  Klik export data pilih SPSS
v  Cari file data yang akan dieksport
v  Klik OK
v  Buka SPSS
v  Klik open
v  Buka Syntax
v  Pilih File data
v  Ctrl+A data yang ada di syntax
v  Pilih Run à All
v  Lakukan penamaan variabel dan value labels dengan menggunakan syntax
Ø  Ambil syntax dan tambahkan ADD Value Labels sesuai dengan ketentuan.
Ø  Block data lalu pilih RUN à current

2    DAN 3 LAKUKAN PEMBERSIHAN DATA (CLEANING DATA) TERHADAP FILE
ü  Hapus field Hari ini, Urut, Entri, KLS dan Jurusan pada variable view
a)   Cleaning Data Variabel Kategorik
v  Klik Analyze
v  Pilih Descriptive Statistic
v  Pilih Frequencies
v  Pilih variabel yang akan dilakukan cleaning data
v  Pilih Data
v  Pilih Sort Cases
v  Pilih variabel yang akan dilakukan cleaning data
v  Pilih Ascending
v  Klik Ok
v  Lakukan pembersihan data terhadap file yang missing

Variable Kategorik terdiri dari:
1.      Pekerjaan
2.      Pendidikan
3.      Golongan Darah
4.      Pernah periksa kehamilan
5.      Pengukuran Tinggi Fundus
6.      Pengukuran Tinggi Badan
7.      Pengukuran Tekanan Darah
8.      Pemberian Tablet Fe
9.      Imunisasi TT
10.  Akseptor KB
11.  Kontrasepsi yang digunakan
12.  Kontrasepsi lain
13.  Alasan tidak ber-KB
14.  Alasan lain tidak ber-KB
15.  Rencana tempat melahirkan

  HASIL SETELAH DI CLEANING
1.      Pekerjaan
Terdapat 16 data yang missing dari system, sehingga setelah dihapus data menjadi 16271.

2.      Pendidikan 
Terdapat 2 data missing dari system, tetapi pada pendidikan terdapat 2 data  yang tidak valid karena menggunakan angka “1” dan 2 data menggunakan angka ‘5’ pada pendidikan. Seharusnya hanya ada angka “BH/SD”, “SLTP”, “SLTA” dan “P.Tinggi” pada pendidikan. Setelah dicleaning data menjadi 16265.

3.      Golongan Darah
Tidak terdapat data missing dari system, tetapi pada pendidikan terdapat 17 data  yang tidak valid karena menggunakan angka “0, 3 data menggunakan angka ‘1’, 1 data menggunakan “12”, 1 data menggunakan “13” ,1 data menggunakan “76” dan 1 data menggunakan “O]” pada golongan darah. Seharusnya hanya ada “A”, “B”, “AB” dan “O” pada golongan darah. Setelah dicleaning data menjadi 16240.

4.      Pernah periksa kehamilan
Terdapat 1 data missing dari system, tetapi pada pendidikan terdapat 99 data  yang tidak valid karena menggunakan “tidak” pada pernah memeriksa kehamilan. Seharusnya hanya ada angka “Ya”, dan “Tidak” pada pernah memeriksa kehamilan. Setelah dicleaning data menjadi 16140.

5.      Pengukuran Tinggi Fundus
Terdapat 90 data missing dari system, tetapi pada pendidikan terdapat 3 data  yang tidak valid karena menggunakan “3” pada pernah memeriksa kehamilan. Seharusnya hanya ada angka “tidak pernah”, dan “pernah” pada pengukuran TFU. Setelah dicleaning data menjadi 16049.

6.      Pengukuran Tinggi Badan
Terdapat 16 data yang missing dari system, sehingga setelah dihapus data menjadi16033.

7.      Pengukuran Tekanan Darah
Terdapat 2 data yang missing dari system, sehingga setelah dihapus data menjadi 16031.

8.      Pemberian Tablet Fe
Terdapat 2 data yang missing dari system, sehingga setelah dihapus data menjadi 16029.

9.      Imunisasi TT
Terdapat 28 data yang missing dari system, sehingga setelah dihapus data menjadi 16001.

10.  Akseptor KB
Terdapat 9 data missing dari system, tetapi pada akseptor KB terdapat 1 data  yang tidak valid karena menggunakan “2” pada akseptor KB. Seharusnya hanya ada angka “tidak”, dan “Ya” pada akseptor KB. Setelah dicleaning data menjadi 15991.

11.  Kontrasepsi yang digunakan
12.  Kontrasepsi lain
13.  Alasan tidak ber-KB
14.  Alasan lain tidak ber-KB 
Setelah data di cleaning berjumlah 15426

15.  Rencana tempat melahirkan
Jumlah data setelah di cleaning berjumlah 15343.

b)   Cleaning Data Variabel Numerik
v  Klik Analyze
v  Pilih Descriptive Statistic
v  Pilih Frequencies
v  Pilih variabel yang akan dilakukan cleaning data
v  Pilih Data
v  Pilih Sort Cases
v  Pilih variabel yang akan dilakukan cleaning data
v  Pilih Ascending
v  Klik Ok
v  Lakukan pembersihan data terhadap file yang missing

Variable Numerik terdiri dari (batasannya) :
-          Umur                        : 15 - 45 tahun
-          Tinggi Badan           : 140 - 180 cm
-          Berat Badan             : 40-80 kg
-          TD Sistolik                : 100-170 mmHg
-          TD Diastol                : 50-120 mmHg
-          Hb                             : 8-14 gr%

1. Umur                        : 15 - 45 tahun
 ·    Terdapat 25 data yang missing dari system, sehingga setelah dihapus data menjadi 15318.
·     Tidak terdapat data yang melewati batas (15-45 tahun), sehingga setelah dihapus data menjadi 15318.

2.  Tinggi Badan           : 140 - 180 cm
·         Tidak Terdapat data yang missing dari system. 
-    Terdapat 10 data yang kurang dari batas (140-180cm), sehingga setelah dihapus data menjadi 15308.


3.  Berat Badan             : 40-80 kg
·         Tidak Terdapat data yang missing dari system.
·         Terdapat 130 data yang kurang dari batas (40-80 kg), sehingga setelah dihapus data menjadi 15178.

              4.  TD Sistolik                : 100-170 mmHg
 ·    Terdapat 51 data yang missing dari system, sehingga setelah dicleaning menjadi 15127. 
-  Terdapat 531 data yang kurang/melewati dari batas (100 -170 mmHg), sehingga setelah dihapus data menjadi 14598.

              5.  TD Diastol                : 50-120 mmHg  
 
·      Terdapat 16  data yang missing dari system. sehingga setelah dicleaning menjadi 14582.
·         Terdapat  data yang kurang/melewati dari batas (50 - 120 mmHg), sehingga setelah dihapus data menjadi 14458.

6.   Hb                             : 8-14 gr%

·     Terdapat 4 data yang missing dari system, sehingga setelah dicleaning menjadi 14454. 
-   Terdapat 94 data yang kurang/melewati dari batas (40-80 kg), sehingga setelah dihapus data menjadi 14362

Data sebelum dicleaning           : 16287
Data sesudah dicleaning           : 14362

4.  ANALISIS UNIVARIAT SALAH SATU VARIABLE KATEGORIK

Statistics
4. Pendidikan Formal Ibu :

N
Valid
14362
Missing
0
Mean
3.12
Median
3.00
Mode
3
Std. Deviation
.845
Skewness
-1.446
Std. Error of Skewness
.020
Minimum
0
Maximum
4


4. Pendidikan Formal Ibu :


Frequency
Percent
Valid Percent
Cumulative Percent
Valid
BH/SD
440
3.1
3.1
3.1
SLTP
1736
12.1
12.1
15.2
SLTA
7413
51.6
51.6
66.8
P.Tinggi
4773
33.2
33.2
100.0
Total
14362
100.0
100.0


Add caption















5.  ANALISIS UNIVARIAT SEMUA VARIABEL NUMERIK DALAM DATABASE (SEKALIGUS)


Umur Ibu
Tinggi Badan
Berat Badan
Tek. Drh Sistolik
Tek. Drh Diastolik
Kadar Hb
Valid N (listwise)
N
Statistic
14362
14362
14362
14362
14362
14362
14362
Minimum
Statistic
15
140.0
40.0
100
50
8.0

Maximum
Statistic
45
180.0
80.0
170
120
14.0

Mean
Statistic
27.98
158.561
56.067
116.68
81.33
11.634

Std. Deviation
Statistic
4.674
7.0376
7.8640
12.465
8.358
0.9540

Skewness
Statistic
0.659
0.669
0.513
0.686
0.091
- 0.249

Std. Error
0.020
0.020
0.20
0.20
0.20
0.20



6.     TRANSFORMASI DATA VARIABEL KATEGORIK
a.      Pekerjaan
Langkah-langkahnya:
·         Klik Transform
·         Pilih Recode
·         Pilih Into Different Variables
·         Pada kotak masukkan variable pekerjaan
·         Ubah nama output variable dengan “kerja2”
·         Ubah nama label output variable dengan “pekerjaan”
·         Klik Change
·         Klik Old and New Values
·         Masukkan angka 1, 2, 3, 4, 5 pada Old values menjadi angka 1 pada new values
·         Masukkan angka 6 pada Old values menjadi angka 0 pada new values
·         Klik Continue
·         Klik Paste
·         Buka Syntax
·         Tambahkan kalimat “ADD VALUE LABELS Kerja2 0 'Tidak Bekerja' 1 'Bekerja' .” setelah kalimat “VARIABLE LABELS kerja2 'pekerjaan'.:
·         Blok paragraph
·         Run All
b.      Pendidikan
Langkah-langkahnya:
·         Klik Transform
·         Pilih Recode
·         Pilih Into Different Variables
·         Pada kotak masukkan variable pendidikan
·         Ubah nama output variable dengan “didik2”
·         Ubah nama label output variable dengan “pendidikan”
·         Klik Change
·         Klik Old and New Values
·         Masukkan angka 0 dan 2   pada Old values menjadi angka 0 pada new values
·         Masukkan angka 3 dan 4 pada Old values menjadi angka 1 pada new values
·         Klik Continue
·         Klik Paste
·         Buka Syntax
·         Tambahkan kalimat “ADD VALUE LABELS didik2 0 'Rendah' 1 'Tinggi' .” setelah kalimat “VARIABLE LABELS didik2 'pendidikan'.:
·         Blok paragraph
·         Run All

2)      Transormasi Data Variabel Numerik (Umur)
Langkah-langkahnya:
·         Klik Transform
·         Pilih Recode
·         Pilih Into Different Variables
·         Pada kotak masukkan variable umur
·         Ubah nama output variable dengan “usiaresti”
·         Ubah nama label output variable dengan “umur”
·         Klik Change
·         Klik Old and New Values
·         Masukkan angka 20 dan 35 (pada rentang) pada Old values menjadi angka 1 pada new values
·         Masukkan angka 19 (pada lowest thru) dan angka 36 (pada thru highest) pada Old values menjadi angka 0 pada new values
·         Klik Continue
·         Klik Paste
·         Buka Syntax
·         Tambahkan kalimat “ADD VALUE LABELS usiaresti 0 'Resti' 1 'Tidak Resti' .setelah kalimat VARIABLE LABELS usiaresti 'umur'.
·         Blok paragraph
·         Run All

1.      COMPUTE DAN TRANSFORMASI DATA IMT
Langkah-langkahnya:
·         Klik Transform
·         Pilih Compute
·         Tulis IMT pada Target Variabel
·         Pada Numeric Expression masukkan rumus BB/((TB / 100) * (TB / 100))
·         Klik Paste
·         Buka Syntax
·         Jalankan rumus tersebut dengan cara blok  dan Run All
·         Klik Transform
·         Pilih Recode
·         Pilih Into Different Variables
·         Pada kotak masukkan variable IMT
·         Ubah nama output variable dengan “IMT2”
·         Ubah nama label output variable dengan “klasifikasi IMT”
·         Klik Change
·         Klik Old and New Values
·         Masukkan angka 18,50 dan 25,0 (pada rentang) pada Old values menjadi angka 2 pada new values
·         Masukkan angka 18,499 (pada lowest thru) pada Old values menjadi angka 1 pada new values
·         Masukkan angka 25,001 (pada thru highest) pada Old values menjadi angka 3 pada new values
·         Klik Continue
·         Klik Paste
·         Buka Syntax
·         Tambahkan kalimat “ADD VALUES LABELS IMT2 1 'Kurus' 2 'Normal' 3 'Gemuk'  .setelah kalimat VARIABLE LABELS IMT2 'Klasifikasi IMT'.
·         Blok paragraph
·         Run All

2.      ANALISIS BIVARIAT
a.      Untuk mengetahui hubungan antara pendidikan dengan pekerjaan
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : Pendidikan
-          Variable Dependen              : Pekerjaan
-          Ho     : Tidak terdapat hubungan antara pendidikan dengan pekerjaan
-          Ha     : Terdapat hubungan antara pendidikan dengan pekerjaan
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Kategorik-Kategorik è chi-square
·           Tentukan analisis sementara.
·           Tidak dilakukan uji normality karena tidak terdapat variable numeric
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara pendidikan dengan pekerjaan. Berarti ada hubungan antara pendidikan dengan pekerjaan.


b.      Untuk mengetahui hubungan antara umur dengan kadar Hb
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : Umur
-          Variable Dependen              : Kadar Hb
-          Ho     : Tidak terdapat hubungan antara umur  dengan kadar Hb
-          Ha     : Terdapat hubungan antara umur dengan kadar Hb
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Numerik-Numerik è Korelasi
·           Tentukan analisis sementara.
·           Dilakukan uji normality
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,306 à Ho diterima
Tidak ada perbedaan korelasi regresi antara umur dengan kadar Hb. Berarti tidak ada hubungan antara umur dengan kadar Hb.

c.       Untuk mengetahui hubungan antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : Pendidikan
-          Variable Dependen              : Kontrasepsi yang dipilih
-          Ho     : Tidak terdapat hubungan antara pendidikan  dengan kontrasepsi yang dipilih dalam ber-KB
-          Ha     : Terdapat hubungan antara antara pendidikan  dengan kontrasepsi yang dipilih dalam ber-KB
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Kategorik-Kategorik è chi-square
·           Tentukan analisis sementara.
·           Tidak dilakukan uji normality.
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara pendidikan dengan alat kontrasepsi yang dipilih dalam ber-KB. Berarti ada hubungan antara pendidikan dengan alat kontrasepsi yang dipilih dalam ber-KB.

d.      Untuk mengetahui hubungan antara pernah atau tidak pernah mendapat tablet Fe dengan kadar Hb
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : Pernah atau tidak mendapat tablet Fe
-          Variable Dependen              : Kadar Hb
-          Ho     : Tidak terdapat hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb
-          Ha     : Terdapat hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Kategorik-Numerik èT-test
·           Tentukan analisis sementara.
·           Tidak dilakukan uji normality
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,000 à Ho ditolak
Ada hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb.

e.      Untuk mengetahui hubungan antara Tekanan darah (Siastolik) dengan Golongan Darah
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : TD siastolik (sistol2)
-          Variable Dependen              : Golongan Darah
-          Ho     : Tidak terdapat hubungan antara TD siastolik dengan golongan darah
-          Ha     : Terdapat hubungan antara TD siastolik dengan golongan darah
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Numerik-Kategorik
ð  Tekanan darah sistolik di ubah menjadi data Kategorik menjadi hipertensi dengan tidak hipertensi (sistol2)
ð  Uji yang di lakukan uji Chi-Square
·           Tentukan analisis sementara.
·           Dilakukan uji normality
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara TD siastolik dengan golongan darah. Berarti ada hubungan antara TD siastolik dengan golongan darah.


f.        Untuk mengetahui hubungan antara Tekanan darah (Diastolik) dengan Golongan Darah
Langkah-langkahnya:
·         Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
-          Variable Independen           : TD diastolik
-          Variable Dependen              : Golongan Darah
-          Ho     : Tidak terdapat hubungan antara TD diastolik dengan golongan darah
-          Ha     : Terdapat hubungan antara TD diastolik dengan golongan darah
·         Identifikasi field dalam database.
·         Tentukan karakteristik field (K/N).
ð  Numerik-Kategorik
ð  Tekanan darah diastolik di ubah menjadi data Kategorik menjadi hipertensi dengan tidak hipertensi (diastol2)
ð  Uji yang di lakukan uji Chi-Square
·           Tentukan analisis sementara.
·           Dilakukan uji normality
·           Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
·           Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara TD diastolic dengan golongan darah. Berarti ada hubungan antara TD diastolic dengan golongan darah.