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)
*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
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.
Tidak ada komentar:
Posting Komentar