Ujian Akhir Semester V
- Langkah – langkah untuk EXPORT data serta penamaan variabel.
· Buka aplikasi epidata
· klik “eksport” untuk memindahkan data .rec yang akan dipindahkan.
· muncul jendela dialog pilihan, pilih SPSS
· Buka aplikasi SPSS
· Pilih File
· klik “open”
· klik syntax
· pilih data yang akan dipindahkan .rec
· klik open
· pilih Run All seluruh data syntax dan akan muncul SPSS
· lanjutkan dengan penamaan variabel dan value label
ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/Tani/Nelayan' 6 'Lain2' .
ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi' .
ADD VALUE LABELS pernah 1 'Pernah' 2 'Tidak' .
ADD VALUE LABELS fundus 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS cpenguku 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tfe 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tt 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS akseptor 1 'Ya' 0 'Tidak' .
ADD VALUE LABELS ksepsi 1 'IUD' 2 'Pil' 3 'Kondom' 4 'Susuk' 5 'Lain2' .
ADD VALUE LABELS alasan 1 'Ingn punya anak' 2 'Dilarang Suami' 3 'Tak sesuai Keyakinan' 4 'Lain4' .
ADD VALUE LABELS rencana 1 'RSU/RSB' 2 'PKM/Pustu' 3 'Nakes' 4 'Dukun' 5 'Lain2' .
· klik Run All
- Tata cara dalam menemukan record yang missing pada data yang akan di cleaning.
Langkah – langkah mencleaning data, yaitu:
· Pilih Analyze pada menu SPSS
· Klik descriptive analyze
· Klik Frequency
· Masukkan data numerik atau kategorik yang akan di cleaning
· Tekan “OK”
· Lihat hasil missing pada out put
· Klik “Data”
· Pilih sort cases
· Masukkan lagi data yang telah diketahui missingnya tadi
· Pilih Acending or desending
· Tekan OK
· Delete data yang missing.
Uraian data kategorik dan numerik yang di cleaning.
Jumlah record awal : 15896
a. Pekerjaan ibu, missing : 22 buah
Sisa data : 15874
b. Pendidikan ibu tidak terdapat missing
Sisa data : 15874
c. Golongan darah tidak terdapat missing
Sisa data : 15874
d. Data ini saling dikaitkan dan perlu analisa pada data SPPSnya. Apakah ibu pernah melakukan pemeriksaan kehamilan dengan berapa kali ibu
ü yang menjawab kosong pada “pernah” tetapi dibuat berapa kali ada missing 5 buah
ü menjawab pernah tetapi tidak membuat berapa kali termasuk data missing sebanyak 9 buah
ü ada periksa hamil tetapi tidak mengisi bagian 5T : 1
sisa data : 15859
e. Pengukuran fundus, missing : 273
Data yang 273 termasuk data yang tidak pernah memeriksakan kehamilan. Jadi tidak dihapus.
Diluar kategori (dihapus) : 81
Sisa data : 15758
f. Pengukuhan tinggi badan missing 272 itu tidak masuk kategori jadi tidak dihapus
Sisa data : 15758
g. Pengukuran tensi
· Pernah melakukan pemeriksaan tetapi tidak disii : 3 buah
Sisa data : 15755
h. Pemberian tablet fe tidak terdapat missing
Diluar kategori : 272 itu tidak dihapus karena itu data yang tidak pernah memeriksakan kehamilan jadi tidak di cleaning.
Sisa data : 15755
i. Imunisasi TT
Pernah memeriksakan kehamilan tetapi tidak diisi pada TT : 51
Sisa data : 15704
j. Dikaitkan data . akseptor , jika iya, kontrasepsi yang dpakai, jika tidak, alasannya
· Akseptor :422 buah
· Akseptor Kb missing selain kategori : 10
· Tidak menjadi akseptor tetapi mengisi kontrasepsi yang dipilih : 7
· Tidak menjadi akseptor, mengisi alasan dan lain-lain :16
· Tidak akseptor, tetapi mengisi alsan : 2
· Akseptor, memilih kontrasepsi yang dipakai, dan membuat alasan : 5
· Akseptor, tidak ada kontrasepsi yang dipakai, tetapi ada pada di lain-lain: 39
sisa data : 15649
k. Rencana melahirkan, missing : 164
Sisa data : 15485
3.a Batasan untuk data numerik yaitu :
- Umur : antara ≥ 20 sampai 50 tahun
- Tinggi badan : antara ≥ 140 sampai 180 cm
- Berat badan : antara 37 sampai 85 kg
- Tekanan darah sistolik : ≥ 90 sampai 170 mmhg
- Tekanan darah diatolik : ≥ 60 sampai 140 mmhg
- Kadar hb : ≥ 7 sampai 14 gr%
- Berapa kali ibu melakukan kunjungan : 1 sampai 25 kali
Yang missing berdasarkan batasan diatas yaitu:
· Umur : 121
- Tinggi badan : 4
- Berat badan : 28
- Sistol : 334
- Diatol : 106
- Kadar Hb : 14
- Berapa kali memeriksakan kehamilan, diluar kategori : 8
Sisa data : 14879
b. Jumlah data sebelum di cleaning : 15896
c. Jumlah data setelah di cleaning : 14879
4. Analisis univariate pada salah satu varibel kategorik “pekerjaan”
Langkahnya :
· Klik Analyze
· Pilih descriptive analyze
· Klik frequency.
Lalu pada dialog masukkan salah satu data kategorik, dan tandai pada statistik bagian mean, mode, median, maks, min, std.deviation, skewness, maximum, minimum.
· Klik chart, pilih tampilan gambar yang diinginkan
· Klik OK
· Lihat hasil pada out put
Analisis univariate dari variabel pekerjaan responden didapatkan data bahwa pekerjaan responden terbanyak adalah PNS yaitu 29,2 % sedangkan pekerjaan paling sedikit adalah Buruh/Tani/Nelayan yaitu 4,9 %.
5. Analisis univariat semua variabel numeric sekaligus (Desain ulang tabel dan komentar hasil tabelnya)
Langkah – langkahnya yaitu :
· Klik analyze
· Pilih descriptive analyze
· Pilih frequency (bisa untuk data numerik and descriptive pun juga bisa digunakan)
· Pilih statistic yang ingin di tampilkan
· Klik ok dan lihat hasil pada output
Komentar dari hasil tabel dilihat dari niai mean:
· Rata-rata umur ibu adalah 27.93
· Rata-rata tinggi badan ibu adalah 158.188
· Rata-rata berat badan ibu adalah 54.702
· Rata-rata TD Sistolik ibu adalah 11.219
· Rata-rata TD diastolic ibu adalah 116.01
· Rata-rata kadar HB ibu adalah 80.73
· Rata – rata berapa kali periksa ibu adalah 6.26
6. Transformasi Data untuk variabel kategorik dan numerik
6.a Transformasi Data Variabel Kategorik
1) Pekerjaan
Langkah-langkahnya:
· Klik Transform
· Pilih Recode
· Pilih Into Different Variables
· Pada kotak masukkan variable pekerjaan
· Ubah nama output variable dengan “kerjaRT”
· Ubah nama label output variable dengan “pekerjaan ibu(RT)”
· Klik Change. Dan secara otomatis kerja akan berganti nama.
· Klik Old and New Values untuk menentukan ambangnya.
· Masukkan angka 1, 2, 3, 4, 5 pada Old values menjadi angka 1 pada new values
· Masukkan angka 6 pada Old values menjadi angka 2 pada new values (1 : untuk kategori bekerja dan 2 : untuk kategori tidak bekerja).
· Klik Continue
· Klik Paste
· Buka Syntax pada SPSS
· Tambahkan kalimat “ADD VALUE LABELS kerjaRT 1 'Bekerja' 2 'Tidak Bekerja' .” setelah kalimat “VARIABLE LABELS kerjaRT 'pekerjaan ibu (RT)'.: Contohnya :
RECODE
KERJA
(1=1) (2=1) (3=1) (4=1) (5=1) (6=2) INTO kerjaRT .
VARIABLE LABELS kerjaRT 'pekerjaan ibu(RT)'.
ADD VALUE LABELS kerjaRT 1'Bekerja' 2 'Tidak bekerja'.
EXECUTE .
· Blok paragraph Syntax
· Lalu pilih “Run All”. Dan secara otomatis akan muncul pada database kerjaRT dan terlihat mana yang bekerja dan tidak bekerja.
2) Pendidikan ibu responden
Langkah-langkahnya:
· Pilih Transform
· Kemudian klik Recode
· Pilih Into Different Variables
· Pada kotak dialog yang muncul, masukkan variable pendidikan
· Ubah nama output variable dengan “didik2”
· Ubah nama label output variable dengan “pendidikan ibu(2)”
· Selanjutnya Klik Change
· Klik Old and New Values untuk membedakan antara ibu bekerja dengan tidak bekerja
· Masukkan angka 0 dan 2 pada Old values menjadi angka 1 pada new values
· Masukkan angka 3 dan 4 pada Old values menjadi angka 2 pada new values
· Klik Continue
· Klik Paste untuk di copy secara otomatis ke syntax
· Buka Syntax
· Setelah kalimat “VARIABLE LABELS didik2 'pendidikan ibu(2)'.: Tambahkan kalimat “ADD VALUE LABELS didik2 1 'Rendah' 2 'Tinggi'. Contoh :
RECODE
DIDIK
(0=1) (2=1) (3=2) (4=2) INTO didik2 .
VARIABLE LABELS didik2 't. pendidikan ibu(2)'.
ADD VALUE LABELS didik2 1 'Rendah' 2 'Tinggi'.
EXECUTE .
· Blok paragraph tersebut seperti pada pekerjaan tadi.
· Klik Run All. Dan secara otomatis pada database akan muncul didik2 yang terlihat pendidikan yang rendah dan tinggi.
6.b Transormasi Data Variabel Numerik (Umur)
Tahap – tahap tranformasinya sebagai berikut :
· Pilih Transform
· Klik Recode
· Pilih Into Different Variables
· Pada kotak dialog, masukkan variable umur
· Ubah nama output variable dengan “umr”
· Ubah nama label output variable dengan “resiko tinggi”
· Klik Change dan secara otomatis akan berubah menjadi umuràumr
· Klik Old and New Values untuk memisahkan mana yang resti dan tidak resti
· Masukkan angka 20 dan 35 (pada rentang) pada Old values menjadi angka 2 pada new values
· Masukkan angka 19.99 (pada lowest thru) dan angka 35.1 (pada thru highest) pada Old values menjadi angka 1 pada new values
· Klik Continue
· Klik Paste untuk dicopy ke syntax yang dimiliki
· Buka Syntax
· Setelah kalimat VARIABLE LABELS umr 'resiko tinggi'. Tambahkan kalimat “ADD VALUE LABELS umr 1 'Resti' 2 'Tidak Resti' .
· Blok paragraph yang ada pada syntax. Contoh :
RECODE
umur
(Lowest thru 19.99=1) (20 thru 35=2) (35.1 thru Highest=1) INTO umr .
VARIABLE LABELS umr 'resiko tinggi'.
ADD VALUE LABELS umr 1 'resti' 2 'tidak resti'.
EXECUTE .
· Lalu tekan Run All. Dan secara otomatis akan muncul data umr pada database SPSS. / bismillah SAV.
7. Melakukan Compute dan Transformasi Data IMT
Langkah-langkahnya:
· Pilih Transform
· Klik Compute
· Tulis IMT pada Target Variabel
· Pada Numeric Expression masukkan rumus BB / ((TB / 100) * (TB / 100))
· Klik Paste untuk mengcopy ke syntax
· Buka Syntax
Seperti :
EXECUTE .
COMPUTE IMT = BB /((TB / 100) * (TB / 100)) .
EXECUTE .
· Jalankan rumus tersebut dengan cara blok dan Run All dan secara otomatis akan muncul pada database SPSS.
· Dan untuk mentransporm data IMT. Pilih Transform
· Klik Recode
· Pilih Into Different Variables
· Pada kotak masukkan variable IMT
· Ubah nama output variable dengan “IMT5”
· Ubah nama label output variable dengan “kategori IMT 5”
· Klik Change dan secara otomatis akan berubah IMT à IMT5
· Klik Old and New Values untuk menentukan rentang nilai kategori
· Masukkan angka 19.0 dan 27,0 (pada rentang) pada Old values menjadi angka 2 pada new values
· Masukkan angka 18.99 (pada lowest thru) pada Old values menjadi angka 1 pada new values
· Masukkan angka 27 (pada thru highest) pada Old values menjadi angka 3 pada new values
· Klik Continue
· Klik Paste untuk mengcopy ke syntax
· Buka Syntax
· Setelah kalimat VARIABLE LABELS IMT5 'Kategori IMT 5'.
Tambahkan kalimat “ADD VALUES LABELS IMT5 1 'Kurus' 2 'Normal' 3 'Gemuk' .
· Blok paragraph. Contoh:
RECODE
IMT
(Lowest thru 18.99=1) (19.0 thru 27.0=2) (27 thru Highest=3) INTO IMT5 .
VARIABLE LABELS IMT5 'kategori IMT 5'.
ADD VALUE LABELS IMT5 1 'kurus' 2 'normal' 3 'gemuk'.
EXECUTE .
· Pilih Run All. Dan dengan otomatis akan muncul pada database SPSS.
8. Lakukan analisa bivariet dengan confidenct interval 95% dengan melakukan 7 langkah yaitu:
a. Mengidentifikasi varibel dalam tujuan penelitian
b. Identifikasi nama filed di dalam
c. Tentukan karakteristik field
d. Tetapkan uji sementara dan hipotesis nol pengujian pada ci tertentu (95%)
e. Lakukan uji normality apabila ada salah satu kedua variabel numerik
f. Lakukan pengujian dan baca hasil
g. Interpretasi hasil pengujian untuk menjawab tujuan penilitian
Untuk melakukan Analisa Bivariate pada spss,
Langkah – langkah nya yaitu:
a. Pilih analiyze pada database
b. Kemudian pilih descriptive analyze
c. Klik “croostable”
d. Kemudian akan tampil seperti dialog, masukkan pada bagian ROW yaitu variabel independen, kemudian outcome untuk variabel dependen.
e. Lalu pilih pada statistic pilih “chi square” tekan continue. Dan lalu “OK”.
8 a. Untuk mengetahui hubungan antara pendidikan dengan pekerjaan
1. Batas kepercayaan tertentu (confident interval = CI) 95 %
· Alfa = 0,05
Varibel independen : pendidikan
Varibel dependen : pekerjaan
2. field :
- independen : didik
- dependen : kerja
3. Karakteristik
- didik = K à 2 kat (kategorik)
- kerja = K à 2 Kat (Kategorik)
à tabel 2 x 2
K à Kà Uji beda proporsi
4. Uji yang dipakai yaitu uji beda proporsi (chi square)
5. Apabila terdapat data numerik baru dilakukan uji normality, disini tidka terdapat data numerik.
6. HO Pengujian : Tidak Ada perbedaan proporsi antara pendidikan dan pekerjaan ibu responden
p merupakan p-value
p= 0.000 akan dibandingkan dengan alfa. P > 0,05
à p < alfa : ada perbedaan proporsi antara pendidikan dengan pekerjaan ibu responden , berarti ada hubungan antara pendidikan dengan pekerjaan ibu.
Ketentuan : p < alfa à HO ditolak ~ bermakna
p > alfa à HO diterima ~ tidak bermakna
8 b. Untuk mengetahui hubungan antara umur dengan kadar Hb
- variabel :
· Batas kepercayaan tertentu (Confident Interval = CI) 95 %
· Alfa = 0,05
Varibel independen : umur
Varibel dependen : kadar Hb
- Nama field :
7. independen : umur
8. dependen : hb
- karakteristik
- umur = N à num (kategorik)
- hb = N à num (numerik)
- Uji yang dipakai yaitu uji korelasi regresi
- Apabila terdapat data numerik baru dilakukan uji normality berdistribusi normal.
6. HO Pengujian : Tidak Ada perbedaan proporsi antara umur dengan kadar Hb ibu respponden
p merupakan p-value
Jika dijadikan data Hb kepada data kategorik yang akan mengklasifikasikan kepada anemia dan tidak anemia. Dapat dilakukan uji chi square sebagai berikut tabel chi squarenya
Dimana nilai p = 0,031
P < alfa berarti Ho ditolak terdapat hubungan antara umur ibu responden dengan kadar hbnya.
Yang mana umur dibagi berdasarkan umur (resiko tinggi) resti dan tidak resti dan hb menjadi anemia dan tidak anemia.
8c. Untuk mengetahui hubungan antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
1. Batas kepercayaan tertentu (confident interval = CI) 95 %
· Alfa = 0,05
Varibel independen : tingkat pendidikan
Varibel dependen : kontrasepsi yang digunakan
2. field :
- independen : didik2
- dependen : ksepsi
3. Karakteristik
- didik = K à 2 kat (kategorik)
- ksepsi = K à Kat (Kategorik)
K à Kà Uji beda proporsi
4. Uji yang dipakai yaitu uji beda proporsi (chi square)
5. Apabila terdapat data numerik baru dilakukan uji normality, disini tidka terdapat data numerik.
6. HO Pengujian : Tidak Ada perbedaan proporsi antara tingkat pendidikan pendidikan dan kontrasepsi yang ibu responden gunakan.
p merupakan p-value
p= 0.000 akan dibandingkan dengan alfa. P > 0,05
à p < alfa : ada perbedaan proporsi antara tingkat pendidikan dengan kontrasepsi yang ibu responden gunakan , berarti ada hubungan antara tingkat pendidikan dengan kontrasepsi yang ibu responden gunakan.
Ketentuan : p < alfa à HO ditolak ~ bermakna
p > alfa à HO diterima ~ tidak bermakna
8d. Untuk mengetahui hubungan antara pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil.
1. Varibel : Ada hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb dalam darah.
- variabel Indep : pernah atau tidak mendapat tablet Fe
- variabel dep : kadar Hb dalam darah
- Field :
- indep : Pernah
- dep : Hb
- Karakteristik
- Pernah = K à 2 kat (kategorik)
- Hb = Nà Numerik
K à Nà Uji T-test
- Uji yang dipakai yaitu uji T-test
- Karena terdapat data Numerik maka dilakukan pengujian normality
Data berdistribusi normal dengan melihat hasil skewness yaitu – 0.434.
- HO Pengujian : Tidak Ada perbedaan proporsi kelompok p-value
p=0.000 akan dibandingkan dengan alfa
à p < α : ada hubungan antara kelompok pernah dan tidak pernah mendapatkan tablet Fe dengan kadar Hb ibu responden.
Ketentuan : p< α à HO ditolak ~ bermakna
p > α à HO diterima ~ tidak bermakna
8e. Untuk mengetahui hubungan antara tekanan darah (sistolik/diastolik) dengan golongan darah.
a) Untuk mengetahui hubungan antara tekanan darah sistolik dengan golongan darah
1. Varibel : Ada hubungan antara tekanan darah sistolik dengan golongan darah
- variabel Indep : tekanan darah sistolik
- variabel dep : golongan darah
3. Field :
- indep : hipertendi
- dep : gol.darah
- Karakteristik
- hipertensi= Kà numerik
- gol. Darah = Kà kategorik
K à Nà Uji beda proporsi
- Uji yang dipakai yaitu uji chi square
- Tidak terdapat data numerik, tidak dilakukan uji normality
p= 0.122 akan dibandingkan dengan alfa. P > 0,05
à p > alfa
Ho diterima : tidak ada perbedaan proporsi antara tekanan sistolik dengan golongan darah ibu responden gunakan , berart tidak ada hubungan antara antara tekanan sistolik dengan golongan darah ibu responden gunakan.
Ketentuan : p < alfa à HO ditolak ~ bermakna
p > alfa à HO diterima ~ tidak bermakna
b) Untuk mengetahui hubungan antara tekanan darah diastolik dengan golongan darah
Tekanan darah diastolik ini dijadikan kepada data kategorik membagi hipertensi dan normal.
1. Batas kepercayaan tertentu (confident interval = CI) 95 %
· Alfa = 0,05
Varibel independen : tekanan darah diastolik
Varibel dependen : golongan darah
2. field :
independen : hipertensi2
- dependen : darah
3. Karakteristik
- hipertensi2 = K à kategorik
- darah = K à kategorik
K à Kà Uji beda proporsi
4. Uji yang dipakai yaitu uji beda proporsi (chi square)
5. Apabila terdapat data numerik baru dilakukan uji normality, disini tidak terdapat data numerik.
6. HO Pengujian : Tidak Ada perbedaan proporsi tekanan darah diastolik dengan golongan darah ibu responden
p merupakan p-value
p= 0.00 akan dibandingkan dengan alfa. P > 0,05
à p < alfa
Ho ditolak : ada perbedaan proporsi antara tekanan sistolik dengan golongan darah ibu responden gunakan , berarti
ada hubungan antara antara tekanan sistolik dengan golongan darah ibu responden gunakan.
Ketentuan : p < alfa à HO ditolak ~ bermakna
p > alfa à HO diterima ~ tidak bermakna
Hasil selengkapnya bisa lihat disini
