UAS Komputer Lanjut (SPSS)

 A. SPSS

No	Perintah yang harus dikerjakan	Cara	HASIL LAPORAN
1.	Identiras Mahasiswa	Tulis nama dan NIM	Nama :Dini Ardianti Nim : 102114309
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 Dini Ardianti
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 Dini Ardianti, lalu open syntax , edit, run all, lalu simpan dengan nama Dini Ardianti	File syntax Dini Ardianti dieksport ke SPSS dan disimpan dengan nama Dini Ardianti 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 [Dini Ardianti] berisi 39 field dan 8390 record. ata kategorik sebanyak 19 field dan numerik sebanyak 20 field (sebelum di hapus beberapa field yang tidak penting). Sesudah di hapus dan di olah  berjumlah 31 field, kategorik 19 field, numerik 12 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

 ini merupakan value labels dari variable labels beberapa field yaitu :

ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi' .

ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain2' .

ADD VALUE LABELS pernah 1 'Pernah' 2 'Tidak' .

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 tfe 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS tt 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 'Lain2' .

ADD VALUE LABELS alasan 1 'Masih ingin punya anak' 2 'Dilarang Suami' 3 'Tdk Sesuai Keyakinan' 4 'Lain2' .

ADD VALUE LABELS rencana  1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5 'Lain2' . 

7. Periksa field pendidikan(didik). Jika ditemukan data yang missing atau jenis kategori selain dari yang legal, delete record yang missing tersebut.

 untuk mengcleaning data maka data filed harus di sortcase dahulu dengam mengklik data pada toolbar SPSS lalu pilih sortcase, amsukkan variable yang mau di sortcase lalu pilih ascending untuk mengurutkan data dari yang terkecil ke yang terbesar atau descending untuk mengurutkan data dari yang terbesar ke yang terkecil lalu klik OK. lihat pada colom field yang mau di cleaning, kalau ada data yang missing maka itu harus di delete. untuk lebih jelas berapa data yang ahrus di delete maka kita perlu melihat frekuensinya dengan mengklik analyze lalu pilih descriptif statistic lalu pilih  frekuensi,lalu masukkan field yang mau di lihat dan jangan lupa untuk data numerik jangan ceklist display data, kalo untuk data kategorik harus di ceklist dan OK. akan keluar output data dan kita bsia lihat berap jumlah data yang missing dan data yang tidak legal. nah, dari sana kita bisa mengetahui berapa jumlah data yang harus di delete/di cleaning. jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8380 record.

8. Periksa field kerja, jika ditemukan data missing delete smua record yang field [kerja] nya missing. Analyse – descriptive statistik – fekuensi – kerja –ok Hapus data yang missing : data – sort case – kerja ascending – ok. Delete yang missing. sebelum kerja yg missing adalah 8380 dan setelah field kerja dicleaning adalah 8378 record

9.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. 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. sebelum di delete sistol yang missing adalah sebanyak 8378 record dan setelah dilakukan penghapusan field sistol yang missing tersisa 7127 record

10. Lakukan hal yang sama dengan soal nomor 9 untuk variabel tekanan daarah diastolik [diastol] dengan batasan 60-150 mmHg. 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. sebelum di delete diastol yang missing adalah sebanyak 7127 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 6956 record

11. 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 

2 digit terakhir NIM saya adalah : 09
1 digit terakhir adalah :  9 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

Delete dari 9 sampai 100

Jumlah record tersisa setelah di delete sebanya 100 recor mulai dari 2 digit NIM adalah 6856 record

13.---

14. Buat tabel distribusi frekuensi untuk variabel Pendidikan [didik] dan berikan komentar singkat !

caranya yaitu klik Analyse – descriptive statistik – frekuensi – didik –ok. 

maka kita bisa melihat berapa banyak ibu-ibu yang berpendidikan SD/BH,SMP,SLTA atau P. Tinggi. Dari tabel distribusi frekuensi pendidikan formal ibu dapat di simpulkan bahwa kebanyakan ibu balita berpendidikan tinggi yaitu berpendidikan SLTA dan Perguruan tinggi. Hanya 2.9% (197 orang)  ibu yang berpendidikan BH/SD dan 10.4%  (716 orang) ibu yang berpendidikan SLTP.

15.  Sederhanakan kategori pendidikan menjadi tinggi dan rendah, dimana pendidikan tinggi adalah SLTA ke atas. 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. 

untuk melihat berapa banyak prevalensi ibu-ibu yang berpendidikan tinggi atau rendah maka kita harus mengkategorikannya terlebih dahulu, yaitu dengan recode into different variabels. langkah pertama kita klik transform lalu pilih transform into different variables, lalu masukkan field yang mau di kategorikan, lalu buat apa nama field yang baru (didik1) dan jelaska pada kolom di bawah nama field tersebut(pendidikan formal ibu). lalu klik if old new value lalu isi old value dan new value sesuai dengan ketentuan yaitu 1 apabila pendidikaan rendah (SD/BH dan SMP) serta 2 untuk pendidikan tinggi. maka jangan lupa klik add dan OK lalu klik paste, otomatis dia kan terpastekan pada syntax 

RECODE

  DIDIK

  (0=1)  (2=1)  (3=2)  (4=2)  INTO  didik1 .

VARIABLE LABELS didik1 'pendidikan formal ibu'.

ADD VALUE LABELS didik1 1 'Rendah' 2 'Tinggi'.

EXECUTE .

lalu jangan lupa di run current dan frekuensikan dengan cara yang sudah di jelaskan di atas. dari sana kita bisa melihat berapa persen prevalensi ibu yang mempunyai pendidikan tinggi atau rendah. dan hasilnya adalah Dari tabel di atas dapat disimpulkan bahwa lebih dari separuh ibu balita berpendidikan tinggi yaitu 86.7% dan hanya 13.3% ibu balita yang berpendidikan rendah.

16. 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. 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. 

1. darah

data sebelum di cleaning 6856. data sesudah d cleaning 6852

2. pernah

data sebelum di cleaning 6852. data sesdah di cleaning 6851

3. akseptor

data sebelum di cleaning 6851. data sesudah di cleaning 6845

4. alasan

data sebelum di cleaning 6845. data sesudah di cleaning 6843

5. rencana

data sebelum di cleaning 6843. data sesudah di cleaning 6787

17.  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 – TB – ascending – ok, jika tidak sesuai ketentuan delete

data – sort case – BB – ascending – ok, jika tidak sesuai ketentuan delete

hasil :

1. kadar Hb

data sebelum di cleaning 6787. Data sesudah di cleaning 6762

2. TB

Data sebelum di cleaning 6762. Data sesudah di cleaning 6759

3. BB

Data sebelum di cleaning 6759. Data sesudah di cleaning 6743

 

18. 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).

1. Data pernah memeriksakan kehamilan d sortcase ascending. Lalu di lihat field pernah memeriksakan kehamilan. Apabila isi fieldnya 1 maka fkrekuensi (Kali) harus terisi dan tidak boleh nol atau missing, sedangkan jika field pernah di isi angka 2 maka field frekunsi (kali) harus missing. Apabila ditemukan hal yang tidak sesuai dengan aturan maka harus di delete.
2. Jumlah data sebelum di cleaning yaitu 6743. Data sesudah di cleaning yaitu 6575.

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.

1. Data pernah, fundus, ukurtb,tensi,tfe dan tt di sortcase ascending lalu di lihat fieldnya. Apabila isi field pernah 1 maka 5T harus terisi dan apabila isi field pernah 2 maka 5T harus 0. Apabila ada yang missing di hapus dan apabila ada yang tidak sesuai aturan maka di delete saja.
2. Jumlah data sbeleum di cleaning 6743. Data sesudah di cleaning 6411.

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.

1. Data akseptor, ksepsi dan alasan tidak berKB di sortcase ascending lalu dilihat fieldnya. Apabila field akseptor di isi 0 maka kspesi dan N5E harus disi sedangkan alasan tikda berKB harus kosong. Begitu juga sebaliknya. Apabila ditemukan data yang tidak sesuai aturan di delete
2. Jumlah data sebelum di cleaning 6411. Data sesudah di cleaning 6304.

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.

*perhitungan IMT Ibu.

COMPUTE IMTIbu = bb / ((tb / 100) * (tb / 100)).

VARIABLE LABELS IMTIbu 'IMT Ibu Hamil'.

EXECUTE.

*perhitungan IMT Anak Balita.

COMPUTE IMTanak = weight / ((tb / 100) * (tb / 100)).

VARIABLE LABELS IMTanak 'IMT Anak Balita'.

EXECUTE.

RECODE

  IMTIbu

  (Lowest thru 16.9=1)  (17.00 thru 18.5=2)  (18.6 thru 25=3)  (25.1 thru 27=4)  (27.1 thru Highest=5)  INTO  imt15.

VARIABLE LABELS imt15 'IMT Ibu Hamil'.

ADD VALUE LABELS imt15 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.

EXECUTE.

RECODE

  IMTanak

  (Lowest thru 16.9=1)  (17.0 thru 18.4999999=2)  (18.5 thru 25.0000001=3)  (25.0 thru 27.0=4)  (27.001 thru Highest=5)  INTO

   imta5.

VARIABLE LABELS imta5 'IMT Anak Balita'.

ADD VALUE LABELS imta5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.

EXECUTE.

RECODE

IMTIbu

(Lowest thru 18.5=1) (18.6 thru 25=2) (25.1 thru Highest=3) INTO imt13.

VARIABLE LABELS  imt13 'IMT ibu'.

ADD VALUE LABELS imt13 1 'kurus' 2 'normal' 3 'gemuk'.

EXECUTE.

RECODE

IMTanak (Lowest thru 18.4999999=1) (18.5 thru 25.0000001=2) (25.0 thru Highest=3) INTO

    imta3.

VARIABLE LABELS  imta3 'IMT anak balita'.

ADD VALUE LABELS imta3 1 'kurus' 2 'normal' 3 'gemuk'.

EXECUTE.

 prevalensi IMT ibu hami : 

a. Dari tabel di atas dapat di lihat bahwa prevalensi ibu yang sangat kurus hanya 4%. Sebanyak 91.3% IMT ibu normal.

b. Dari tabel di atas dapat dilihat bahwa hanya 2.9% ibu yang mempunyai IMT kurus, dan 5.7% ibu memiliki IMT gemuk dan 91.3% ibu memiliki IMT normal.

  B. Analisa Bivariat

untuk membuat analisa bivariat perlu melakukan 7 langkah yaitu :

1. tentukan variabel independen dan dependen sesuai dengan tujuan penelitian

2. tentuka nama field dari variable tersebut

3. tentukan apakah variable tersebut trgolong ke numerik atau kategorik

4.tentukan uji yang harus dilakukan. apabila keduanya variable merupakan data kategorik maka di lakukan uji chi-square dan jangan lupa membuat HO pengujiannya. apabila numerik dengan kategorik(>2 kategori) maka harus melakukan uji anova, apabila numerik dan kategorik (2 kategori) maka dilakukan uji t-test, dan apabila keduanya numerik maka dilakukan uji korelasi.

a. Cara melakukan uji chi-square yaitu dengan mengklik analyze, pilih descriptif statistic, pilih crosstab. lalu masukkan variablenya dan pilih statistik lalu ceklist chi-squarepada sudut kiri atas lalu OK.

b. Cara melakukan uji t-test yaitu dengan klik analyze, compare mean lalu klik independent sample t-test. pada test variable yang di masukkan adalah data numerik dan grouping variable data kategorik lal tetapkan pengkategoriand dengan mngklik define group misalnya 1= tinggi 2 =rendah. lalu klik OK

c. Cara melakukan uji Anova yaitu dengan 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. apabila 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

hasil :

 A. Tujuan penelitian : untuk mengetahui hubungan antara pendidikan dengan pekerjaan yang dimiliki    responden.

       1.      tingkat pendidikan → indep.v

jenis pekerjaan → dep.v

2.      pendidikan → didik

jenis pekerjaan → kerja

3.      didik → kategorik

pekerjaan → kategorik

4.      uji → uji chi-square karna data kedua variable merupakan data kategorik. Makin tinggi tingkat pendidikan makin tinggi pekerjaan. HO pengujian : tidak ada perbedaan proporsi ibu yang memiliki perkejaan antara ibu yang tamat SD,SLTP,SLTA dan Perguruan Tinggi.

5. hasil uji

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.      Pekerjaan ibu →indep. V

Kontrasepsi yang di pakai → dep.v

2.      Pekerjaan → kerja

Kontrasepsi → ksepsi

3.      Pekerjaan → kategorik

Ksepsi → kategorik

4.    Uji → uji chi-square. Karena kedua variable merupakan variable kategorik. HO pengujian : Tidak ada hubungan antara pekerjaan ibu dengan kontrasepsi yang dipakai.

5. hasil uji 

P<0.05. maka HO di tolak. Ini berarti 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.      Pemberian tablet Fe →indep.v

Kadar Hb → dep.v

2.      Pemberian tablet Fe → TFE

Kadar Hb → Hb

3.      TFE →kategorik

Hb → Numerik

4.      Uji →  uji independent sample t-test. HO pengujian adalah tidak ada perbedaan rata-rata yang siginifikan antara pemberian tablet Fe dengan kadar Hb.

5.      Uji normality → data berdsitribusi TIDAK normal  

 

D.  Tujuan penelitian : untuk mengetahui hubungan antar  pendidikan dengan frekuensi pemeriksaan kehamilan

1.      Pendidikan → indep.v

Pemeriksaan kehamilan → dep.v

2.      Pendidikan → didik

Pemeriksaan kehamilan → kali

3.      Didik → kategorik

Kali → numeric

4.      Uji → uji Anova. HO pengujian adalah tidak ada perbedaan rata-rata yang signifikan antara ibu yang memiliki tingkat pendidikan (SD,SLTP,SLTA dan Perguruan Tinggi) dengan frekuensi ibu memeriksakan kehamilan.

5.      Uji normality → data berdistribusi normal

6. hasil uji

P < 0.005 maka HO ditolak. Itu berarti ada perbedaan rata-rata yang signifikan antara pendidikan ibu dengan frekuensi pemeriksaan kehamilan

E.      Tujuan penelitian : untuk mengetahui hubungan antara umur ibu dengan tekanan darah sistolik

1.      Umur ibu → indep. V

Tekanan darah sistolik → dep. V

2.      Umur ibu → umur

Tekanan darah sistolik → sistol

3.      Umur → numeric

Sistol → numeric

4.      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 : data berdistribusi normal

6. hasil uji 

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.

  C. Pengolahan Status Gizi  

Lagkah-langkah dalam menghitung prevalensi sifat masalah gizi :

1.      Save as dan SPSS ke format dbase IV

2.      Buka WHO Anthro dan menggunakan menu Nutritional survey baca data DBF, kemudian olah sesuai prosedur yang sudah di pelajari

3.      Pilih semua baris dan copy ke Clipboard dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu di edit, kemudian simpan ke format Excel 97-2003

4.      Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan

5.      Lakukan trasformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U, BB/U). langkah ini bisa di persingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi statsu gizi dengan perintah frequencies dan pastekan hasilnya.

6.      Hitung prevalensi sifat masalah gizi (akut dan kronis, kronis,akut dan normal). Cara tercepat melakukannya adalah me-run syntax yang di hasilkan pada praktek dalam perkuliahan. Hasil prevalensinya di pastekan disini.

Hasil :

1. 1.  Klasifikasi status gizi menurut BB/TB

ddari hasil yang di dapatkan, ditemukan bahwa sebanyak 21.3% anak berstatus Sangat kurus dan 22.7% anak berstatsu gemuk. prevalensi anak berstatus Gizi normal yaitu sebanyak 49.7%

42. Klasifikasi status gizi menurut TB/U

ddari hasil yang di dapatkan, ditemukan bahwa sebanyak 24.2% anak berstatus sangat pendek dan hanya 18.2% anak berstatus tinggi. sedangkan prevalensi anak berstatus normal sebanyak 49,8%.

33.  Klasifikasi status gizi menurut BB/U

ddari hasil yang di dapat, ditemukan bahwa sebanyak 21,4% anak berstatus gizi buruk dan lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 56,6%.

44. Akut dan Kronis

ddari hasil yang di dapat, ditemukan hanya 9.4% anak yang dinyatakan menderita kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi normal yaitu sebanyak 56.7%.

 

 

Lihat Selengkapnya...