Final Step "Vivo febria"
Final step Pengolahan data ?
Nama : vivo febria
NIM : 094114138
Mata Kuliah : Komputer
LANGKAH
KERJA PENGOLAHAN DATA
1) Export
File epidata ke SPSS dengan prosedur export :
·
Buka epidata --> Klik
export data pilih SPSS --> Cari file data yang akan
dieksport --> Klik OK dan simpan dengan
nama "vivo febria”
·
Buka SPSS --> Klik open --> Buka Syntax --> Pilih File data --> Ctrl+A data yang ada di
syntax --> Klik Run
All --> keluar outputnya dan
simpan dengan nama yang sama (vivo febria).
· Lakukan penamaan
variabel dan value labels dengan menggunakan syntax
Buka syntax dan tambahkan ADD Value Labels sesuai dengan
ketentuan yang telah ditentukan --> Blok data --> Run --> Current.
2) Lakukan pembersihan data atau cleaning data
terhadap file dengan mengelompokan data kategorik dan data numeriknya.
Jumlah data awal sebanyak 16287.
a) Cleaning Data Variabel Kategorik
1. Klik Analyze-->Pilih
Descriptive Statistic -->Pilih Frequencies -->Pilih
variabel yang akan dilakukan cleaning data --> OK--> Maka
akan tampil pada output data – data yang missing dan data yang tidak
valid.
2. Lakukan cleanning data terhadap data yang missing
dengan cara :
Buka
SPSS (tabel)--> pilih data -->pilih Sort Cases --> pilih
variabel yang akan dilakukan cleaning data --> pilih
Ascending --> Klik Ok-->Lakukan
pembersihan data terhadap file yang missing.
Yang
termasuk kedalam variable kategorik adalah :
§ Pekerjaan
§ Pendidikan
§ Golongan
Darah
§ Pernah
periksa kehamilan
§ Pengukuran
Tinggi Fundus
§ Pengukuran
Tinggi Badan
§ Pengukuran
Tekanan Darah
§ Pemberian
Tablet Fe
§ Imunisasi
TT
§ Akseptor
KB
§ Kontrasepsi
yang digunakan
§ Kontrasepsi
lain
§ Alasan
tidak ber-KB
§ Alasan
lain tidak ber-KB
§ Rencana
tempat melahirkan
1. Pekerjaan
Terdapat 16 data yang missing dari system,
sehingga setelah dihapus data menjadi 16271.
2. Pendidikan
Terdapat 2 data yang missing
dari system, setelah di cleaning data tersisa 16269.
3. Golongan Darah
Tidak terdapat data yang missing dari sistem,
tetapi ada 25 data yang tidak valid pada golongan darah ( golongan
darah diisi dengan angka “0”, angka “1”, angka “12”, angka “13” angka
“76” dan “O]”). Setelah dicleaning, data menjadi 16244.
4.
Pernah periksa
kehamilan
·
Terdapat 1 data yang
missing dari sistem, sehingga setelah dihapus data menjadi 16243.
·
Terdapat 100 data yang
tidak valid dimana data diisi dengan angka “0”, sedangkan ketentuannya
untuk Pernah = 1 dan tidak pernah = 2, setelah dicleaning data menjadi
16143.
·
Terdapat 118 data yang
tidak valid dimana pada variable pernah atau tidak memeriksakan
kehamilan, data bermaksud tidak pernah, tetapi pada pemeriksaan fundus,
tinggi badan, tekanan darah, pemberian tablet Fe dan imunisasi
TT dicantumkan pernah, setelah dicleaning data menjadi 16025.
5. Pengukuran Tinggi Fundus
Terdapat 81 data
yang missing dari system, tetapi data tersebut valid karena ibu tidak
pernah memerikakan kehamilan sehingga pada pengukuran tinggi fundus di
isi dengan “.” . Ada 1 data yang mencantumkan angka “3” sebagai
pilihan, sehingga data tersisa 16024.
6. Pengukuran Tinggi Badan
Terdapat 91 data
yang missing dari system, tetapi data tersebut valid karena ibu memang
tidak pernah melakukan pemeriksaan kehamilan jadi otomatis tidak ada
dilakukan pengukuran tinggi badan. Untuk memunculkan data yang missing (
data yang diisi dengan tanda “.”), maka dilakukan Transform àRecode
àIn to the same variable à ambil system
missing à isi box new value dengan angka “0” . Sehingga
data masih sebanyak 16024.
7. Pengukuran Tekanan Darah
Terdapat 73 data
yang missing dari system, tetapi data tersebut valid karena ibu memang
tidak pernah melakukan pemeriksaan kehamilan jadi otomatis tidak ada
dilakukan pengukuran tekanan darah. Untuk memunculkan data yang missing
( data yang diisi dengan tanda “.”), maka dilakukan Transform àRecode
àIn to the same variable à ambil system
missing à isi box new value dengan angka “0” . Sehingga
data masih sebanyak 16024.
8. Pemberian Tablet Fe
Tidak terdapat data yang
missing ataupun tidak valid sehingga data tetap berjumlah 16024.
9. Imunisasi TT
Tidak terdapat data yang
missing ataupun tidak valid sehingga data tetap berjumlah 16024.
10. Akseptor KB
· Terdapat
10 data yang missing dari system, sehingga setelah dihapus data
menjadi 16014.
· Terdapat 1 data yanng tidak valid dimana pada akseptor disii
dengan angka 2, sehingga data yang tersisa 16013..
·
Terdapat 470
data yang tidak valid dimana pada variable akseptor,
ditemukan data ini bukan merupakan akseptor KB, tetapi
pada variable kontrasepsi yang digunakan dicantumkan beberapa alat
kontrasepsi, sehingga setelah dicleaning data menjadi 15543.
11. Kontrasepsi yang digunakan
Terdapat
1 data yang tidak valid dimana ibu adalah akseptor, tetapi tidak ada
alat kontrasepsi yang dipakai. Sehingga setelah dicleaning data menjadi
15543.
12. Kontrasepsi lain
Terdapat 21 data yang tidak valid dimana
kontrasepsi di isi dengan angka 1 (4 data),2 (8 data), 3(8 data), 5 (1
data). sehingga setelah dicleaning data menjadi 15522.
13. Alasan tidak ber-KB
Tidak
terdapat missing sehingga pada data, sehingga data tetap
15522.
14. Alasan lain tidak ber-KB
Terdapat 1 data
yang tidak valid dimana alasan lain tidak ber-KB di isi dengan angka
1.Sehingga setelah dicleaning data menjadi 15521.
15.
Rencana tempat
melahirkan
· Terdapat 74 data yang missing dari
system, sehingga setelah dihapus data menjadi 15447.
·
Terdapat 5 data yang
tidak valid pada variable tempat (angka “0”), sehingga setelah
dicleaning data menjadi 15442
·
Terdapat 5 data yang
tidak valid pada variable tempat (angka “0”), sehingga setelah
dicleaning data menjadi 15437.
b) Cleaning Data Variabel Numerik
- Untuk menemukan data yang missing
Klik
Analyze -->pilih descriptive statistic --> pilih
frequencies --> pilih variabel yang akan dicleaning -->OK -->maka akan keluar pada output jumlah data yang
missing dan dianalisa data yang tidak valid.
-
Cleanning data yang missing :
Pilih
Data -->pilih Sort Cases -->Pilih
variabel yang akan dicleanning --> selanjutnya pilih ascending --> klik OK.
- Lakukan pembersihan data terhadap file yang
missing pada data numerik.
Adapun
yang termasuk kedalam variabel Numerik yaitu :
-
Umur ibu
: batasannya 15
– 45 tahun.
-
Tinggi Badan
: batasannya 140-180 cm
-
Berat Badan
: batasannya 40-80 kg
-
Tekanan darah
Sistolik : batasannya 70-170 mmHg
-
Tekanan darah
Diastol : batasannya 50-120 mmHg
-
Hb
: batasannya 8-14 gr%
1. Umur ibu (15-45 tahun)
Terdapat 25 data yang missing dari system,
sehingga setelah dihapus data menjadi 15412.
2. Tinggi Badan (140-180 cm)
·
Tidak terdapat data
yang missing dari system.
·
Terdapat 10 data yang
berada di luar batasan, sehingga data tersisa 15402.
3. Berat Badan (40-80 kg)
·
Tidak Terdapat data
yang missing dari system,sisa data tetap 15402.
·
Terdapat 123 data yang
berada di luar batas (40-80 kg), sehingga setelah dihapus data menjadi
15279.
4. TD Sistolik (70-170 mmHg)
· Terdapat 29 data yang missing dari system,
sehingga setelah dicleaning menjadi 15250
·
Terdapat 44 data yang
kurang/melewati dari batas (70-170 mmHg), sehingga setelah dihapus data menjadi 15206.
5. TD Diastol (50-120 mmHg)
·
Terdapat 16 data yang
missing dari system sehingga data tersisa 15190
·
Terdapat 329
data yang kurang/melewati dari batas (50-120
mmHg), sehingga setelah dihapus data menjadi 14761
6.
Hb (8-14 gr%)
·
Terdapat 4 data yang
missing dari system, sehingga setelah dicleaning menjadi 14757.
·
Terdapat 95 data yang
kurang atau melewati dari batas (8-14 %), sehingga setelah dihapus data menjadi 14662.
Jadi à Data
sebelum dicleaning : 16287
Data
sesudah dicleaning : 14662
4) Analisis Univariat salah satu Variabel Kategorik
(Pendidikan)
5) Analisis Univariat semua Variabel Numerik dalam
database (sekaligus)
KOMENTAR :
a.
Dari tabel diatas
dapat dilihat rata- rata dari masing- masing data variabel numerik
yaitu:
- Umur ibu =
27,98 tahun
- Tinggi badan =
158,529 cm
- Berat badan =
56,067 kg
- Tekanan darah sistolik =
116,23 mmHg
- Tekanan darah diastolik =
81,40 mmHg
- Kadar Hb =
11,623 gr %
6) Transformasi Data Variabel Kategorik
a. Pekerjaan
Langkah-langkahnya:
0. Klik Transform -->Pilih
Recode -->Pilih
Into Different Variables -->Pada
kotak masukkan variable pekerjaan-->Ubah nama
output variable ( “kerjaRT”) -->ganti
nama label output variable dengan “pekerjaan ibu(RT)” -->klik
change
1. Kemudian klik Old and New Values àMasukkan
angka 1, 2, 3, 4, 5 pada Old values menjadi angka 1pada new values -->Masukkan angka 6 pada Old values menjadi angka 0
pada new valuesnya -->Klik Continue -->Klik Paste.
2. Buka Syntax -->Tambahkan
kalimat VARIABLE LABELS
kerjaRT 'pekerjaan ibu(RT)'.ADD VALUE LABELS kerjaRT 1'bekerja' 2
'tidak bekerja'.-->Blok
paragraph -->Run All --> lihat hasilnya pada tabel
SPSS.
b. Pendidikan
Langkah-langkahnya:
1. 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
2. Klik Old and New Values -->Masukkan
angka 0 dan 2 pada Old values menjadi angka 0 pada new
valuesà Masukkan angka 3 dan 4 pada Old values menjadi
angka 1 pada new values -->Klik Continue -->Klik Paste
3. Buka Syntax -->Tambahkan kalimat “ADD VALUE LABELS didik2 0 'Rendah' 1 'Tinggi'
.” setelah kalimat
“VARIABLE LABELS didik2 'pendidikan'. -->Blok
paragraph -->kemudian Run All
C) Umur (Resti dan tidak resti)
Langkah-langkahnya:
a. Klik Transform -->Pilih Recode -->Pilih Into Different Variables -->Pada kotak masukkan variable umur-->Ubah
nama output variable dengan “resiko tinggi” -->Ubah nama label output variable dengan “umr”-->Klik Change
b. Klik Old and New Values -->Masukkan
angka 20 dan 35 (pada rentang) pada Old values menjadi angka 2 pada
new values àMasukkan
angka 19 (pada lowest thru) dan angka 36 (pada thru highest) pada Old
values menjadi angka 1 pada new values –àKlik Continue-->Klik Paste -->Buka
Syntax -->Tambahkan
kalimat VARIABLE LABELS umr
'resiko tinggi'.ADD VALUE LABELS umr 1 'resti' 2 'tidak resti'. -->Blok paragraph-->kemudian Run
All
7) Compute dan Transformasi Data IMT
Langkah-langkahnya:
a. Ambil 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-->
b. Klik Transform -->Pilih Recode -->Pilih Into Different Variables -->Pada kotak masukkan variable IMT -->nama output variable dengan “IMT2” -->Ubah
nama label output variable dengan “klasifikasi IMT”-->Klik
Change
c. 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
d. 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
8) Lakukan analisis bivariat sesuaitujuan penelitian
dengan confidence interval 95%. Gunakan 7 langkah ringkas analisis
bivariate.
A. Tujuan
penelitian : Untuk mengetahui
hubungan antara pendidikan dengan pekerjaan
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Pendidikan
· Dependen : Pekerjaan
2. Identifikasi
field dalam database
· Independen : didik2
· Dependen : kerjart
3. Tentukan
karakteristik field (K/N)
· didik : Kategorik
· kerja : Kategorik
4.
Tentukan analisis sementara : Uji Beda Proporsi
(chi-square)
5. Apabila
terdapat variabel numerik-->lakukan
uji normality : tidak ada variabel numeriknya
6. Rumuskan
hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan
hasil (Ho Pengujian) :
- Ho :
Tidak ada perbedaan proporsi antara pendidikan dengan pekerjaan
7. Bahas Hasil :
· P = 0,839 dan α =
0,05 sehingga à P>0,05
· Ho = Diterima
· Tidak
ada perbedaan proporsi antara pendidikan
dengan pekerjaan, BERARTI tidak ada
hubungan pendidikan dengan pekerjaan.
B. Tujuan
penelitian : Untuk mengetahui hubungan antara umur dengan kadar Hb
1.
Identifikasi variabel dalam tujuan penelitian
· Independen : Umur
· Dependen : Kadar Hb
2.
Identifikasi field dalam database
· Independen : umr
· Dependen : hb
3. Tentukan karakteristik field (K/N)
· umur : numerik
· hb : Numerik
4. Tentukan analisis sementara : uji korelasi
5.
Apabila terdapat variabel numerik àlakukan uji normality : ada,
- Variabel umur (resti): Tidak NORMAL.
Maka data pada variabel umur di log kan(Log_umur) dan di
uji kembali apakah sudah normal apa belum è normal (berdasarkan hasil pada output dan pertimbangan
pembimbing)
- Variabel
kadar Hb
Maka data pada variabel umur di log
kan(Log_Hb) dan di uji kembali apakah sudah normal apa belum è normal (berdasarkan hasil pada output dan pertimbangan
pembimbing).
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca
hasil, dan interpretasikan hasil (Ho Pengujian) :
Ho : Tidak ada perbedaan Korelasi Regresi antara umur
dengan kadar hb
7. Bahas
Hasil :
P = 0,429 è P>0,05
Ho = Diterima
Tidak ada perbedaan Korelasi Regresi antara umur
dengan kadar hb, BERARTI tidak ada hubungan umur dengan kadar hb.
C. Untuk mengetahui hubungan tingkat pendidikan dengan
kontrasepsi yang dipilih dalam ber-KB
1.
Identifikasi variabel dalam tujuan penelitian
· Independen : Tingkat Pendidikan
· Dependen : kontrasepsi yang dipilih
2.
Identifikasi field dalam database
· Independen : didik2
· Dependen : mket
3.
Tentukan karakteristik field (K/N)
· didik2 : Kategorik
· Mket
: Kategorik
4. Tentukan analisis sementara
: Uji Beda Proporsi (chi-square)
5. Apabila terdapat variabel
numerik àlakukan uji normality :
tidak ada
6. Rumuskan
hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan
hasil (Ho Pengujian) :
Ho : Tidak ada perbedaan proporsi antara tingkat
pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
7.
Bahas Hasil :
P = 0,023 sedangkan α= 0,05 à
P<α
Ho = Ditolak (bermakna)
Jadi,Ada perbedaan proporsi antara antara tingkat
pendidikan dengan kontrasepsi yang dipilih dalam ber-KB, BERARTI
ada hubungan tingkat pendidikan dengan kontrasepsi yang dipilih
dalam ber-KB
D. Untuk mengetahui hubungan antara pernah atau tidak dapat
tablet Fe dengan kadar Hb dalam darah ibu hamil
1. Identifikasi variabel dalam tujuan
penelitian
· Independen
: Pernah atau tidak mendapat tablet Fe
· Depende : Kadar Hb (anemia dan tidak anemia)
2. Identifikasi field dalam database
· Independen : tfe
· Dependen t : anemiawho
3. Tentukan karakteristik field (K/N)
· tfe : Kategorik
· hb : kategorik
4. Tentukan analisis sementara : Uji beda
proporsi (chi-square)
5. Apabila terdapat variabel numerik à lakukan uji normality : tidak ada,
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca
hasil, dan interpretasikan hasil (Ho Pengujian) :
· Ho : Tidak ada perbedaan rata-rata antara pernah
atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil
7. Bahas Hasil :
P = 0,000
dan α=0,05 àp<α sehingga Ho = Ditolak
(bermakna)
Ada perbedaan rata-rata antara pernah atau tidak
dapat tablet Fe dengan kadar Hb dalam darah ibu hamil, BERARTI
ada hubungan pernah atau tidak dapat tablet Fe dengan kadar Hb
dalam darah ibu hamil.
E. Untuk hubungan antara tekanan darah (sistolik/diastolik)
dengan golongan darah
A. Sistolik
1. Identifikasi variabel dalam tujuan
penelitian
· Independen
: Tekanan Darah Sistolik
· Dependen : Golongan Darah
2. Identifikasi field dalam database
· Independen : sistol2
· Dependen : darah
3. Tentukan karakteristik field (K/N)
· sistol2 : Kategorik
· darah : Kategorik
4. Tentukan analisis sementara : Uji Beda
Proporsi
5. Apabila terdapat
variabel numerik àlakukan uji
normality : tidak dilakukan uji normality
6. Rumuskan hipotesis pengujian pada CI 95% ,
uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
Ho :
Tidak ada perbedaan rata-rata antara tekanan
darah sistolik dengan golongan darah
7. Bahas Hasil :
P = 0,000 dan α=0,05 sehingga p<α
(bermakna)
Ho = Ditolak
Ada
perbedaan rata-rata antara tekanan darah sistolik dengan
golongan darah, BERARTI ada hubungan antara tekanan
darah sistolik dengan golongan darah.
B. Diastolik
1. Identifikasi variabel dalam tujuan
penelitian
· Independen
: Tekanan Darah Diastolik
· Dependen : Golongan Darah
2. Identifikasi field dalam database
· Independen : diastol2
· Dependen : darah
3. Tentukan karakteristik field (K/N)
· diastol2 : K
· darah : K
4. Tentukan analisis sementara : Uji Beda
Proporsi
5. Apabila terdapat
variabel numerik à lakukan
uji normality : tidak dilakukan uji normality
6. Rumuskan hipotesis pengujian pada CI 95% ,
uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
· Ho : Tidak ada perbedaan rata-rata antara tekanan
darah diastolik dengan golongan darah
7. Bahas Hasil :
P = 0,000
Ho = Ditolak
· Ada perbedaan rata-rata antara tekanan darah
diastolik dengan golongan darah, BERARTI ada hubungan tekanan
darah diastolik dengan golongan darah.
Lihat selengkapnya di : klik here ^_^
Thank you, hope it'll be help you....