FINAL POST RAUDHATUL RANTY

UJIAN AKHIR SEMESTER

KOMPUTER

LANGKAH-LANGKAH

1)      Export File epidata ke SPSS

·         Buka epidata

·         Klik export data pilih SPSS

·         Cari file data yang akan dieksport

·         Klik OK

·         Buka SPSS

·         Klik open

·         Buka Syntax

·         Pilih File data

·         Ctrl+A data yang ada di syntax

·         Klik icon Run All

·         Lakukan penamaan variabel dan value labels dengan menggunakan syntax

2)      Lakukan pembersihan data (cleaning data) terhadap file

a)   Cleaning Data Variabel Kategorik

·         Klik Analyze

·         Pilih Descriptive Statistic

·         Pilih Frequencies

·         Pilih variabel yang akan dilakukan cleaning data

·         Pilih Data

·         Pilih Sort Cases

·         Pilih variabel yang akan dilakukan cleaning data

·         Pilih Ascending

·         Klik Ok

·         Lakukan pembersihan data terhadap file yang missing

Variable Kategorik terdiri dari:

-          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 22 data yang missing dari system, sehingga setelah dihapus data menjadi 15874.

2.      Pendidikan

Tidak terdapat data yang missing dari system, tetapi pada pendidikan terdapat 3 data  yang tidak valid karena menggunakan angka “1” pada pekerjaan. Seharusnya hanya ada angka “0”, “2”, “3” dan “4” pada pekerjaan. Setelah dicleaning data menjadi 15871.

3.      Golongan Darah

Tidak terdapat data yang missing dari sistem, tetapi ada data yang tidak valid pada golongan darah ( ada yang tidak ditulis, angka “0”, angka “65” dan “BB”). Setelah dicleaning, data menjadi 15866.

4.      Pernah periksa kehamilan

·         Terdapat 4 data yang missing dari sistem, sehingga setelah dihapus data menjadi 15862.

·         Terdapat 32 data yang tidak valid dimana tidak dicantumkan berapa kali memeriksakan dan data yang menyebutkan bahwa pemeriksaan tidak ada, tapi ada pemeriksaan fundus, TB, BB, TD, Fe dan TT. sehingga data setelah dihapus menjadi 15830.

5.      Pengukuran Tinggi Fundus

Terdapat 273 data yang missing dari system, sehingga setelah dihapus data menjadi 15556.

6.      Pengukuran Tinggi Badan

            Tidak terdapat data yang missing ataupun tidak valid sehingga data tetap berjumlah 15556.

7.      Pengukuran Tekanan Darah             

Terdapat 3 data yang missing dari system, sehingga setelah dihapus data menjadi 15553.

8.      Pemberian Tablet Fe               

Tidak terdapat data yang missing ataupun tidak valid sehingga data tetap berjumlah 15553.

9.      Imunisasi TT

Terdapat 50 data yang missing dari system, sehingga setelah dihapus data menjadi 15503.

10.  Akseptor KB

·         Terdapat 9 data yang missing dari system, sehingga setelah dihapus data menjadi 155494.

·         Terdapat 7 data yang tidak valid dimana pada variable akseptor, ditemukan 7 data ini bukan merupakan akseptor KB, tetapi pada variable kontrasepsi yang digunakan dicantumkan beberapa alat kontrasepsi, sehingga setelah dicleaning data menjadi 15487.

11.  Kontrasepsi yang digunakan

Terdapat 39 data yang tidak valid sehingga setelah dicleaning data menjadi 15448.

12.  Kontrasepsi lain

Terdapat 10 data yang tidak valid sehingga setelah dicleaning data menjadi 15438.

.

13.  Alasan tidak ber-KB

Terdapat 17 data yang tidak valid sehingga setelah dicleaning data menjadi 15421.

14.  Alasan lain tidak ber-KB

Terdapat 1 data yang tidak valid sehingga setelah dicleaning data menjadi 15420.

15.  Rencana tempat melahirkan

                                               

Terdapat 163 data yang missing dari system, sehingga setelah dihapus data menjadi 15257.

·         Terdapat 5 data yang tidak valid pada variable tempat (angka “6”), sehingga setelah dicleaning data menjadi 15252.

b)   Cleaning Data Variabel Numerik

·         Klik Analyze

·         Pilih Descriptive Statistic

·         Pilih Frequencies

·         Pilih variabel yang akan dilakukan cleaning data

·         Pilih Data

·         Pilih Sort Cases

·         Pilih variabel yang akan dilakukan cleaning data

·         Pilih Ascending

·         Klik Ok

·         Lakukan pembersihan data terhadap file yang missing

Variable Numerik terdiri dari:

-          Umur                        : 15-45 tahun (batasannya)

-          Tinggi Badan           : 140-180 cm (batasannya)

-          Berat Badan                         : 40-80 kg (batasannya)

-          TD Sistolik               : 100-170 mmHg (batasannya)

-          TD Diastol               : 50-120 mmHg (batasannya)

-          Hb                            : 8-14 gr% (batasannya)

1.      Umur (15-45 tahun)

·         Terdapat 53 data yang missing dari system, sehingga setelah dihapus data menjadi 15199.

·         Terdapat 9 data yang melewati batas (15-45 tahun), sehingga setelah dihapus data menjadi 15190.

2.      Tinggi Badan (140-180 cm)

·         Tidak Terdapat data yang missing dari system.

·         Terdapat 4 data yang kurang dari batas (140-180cm), sehingga setelah dihapus data menjadi 15186.

3.      Berat Badan (40-80 kg)

·         Tidak Terdapat data yang missing dari system.

·         Terdapat 75 data yang kurang dari batas (40-80 kg), sehingga setelah dihapus data menjadi 15111.

4.      TD Sistolik (100-170 mmHg)

·         Terdapat 3 data yang missing dari system, sehingga setelah dicleaning menjadi 15105.

·         Terdapat 412 data yang kurang/melewati dari batas (100-170 kg), sehingga setelah dihapus data menjadi 14693.

5.      TD Diastol (50-120 mmHg)                  

·         Tidak Terdapat  data yang missing dari system.

·         Terdapat 78 data yang kurang/melewati dari batas (50-120 kg), sehingga setelah dihapus data menjadi 14618.

6.      Hb (8-14 gr%)

Terdapat 1 data yang missing dari system, sehingga setelah dicleaning menjadi 14616.

·         Terdapat 94 data yang kurang/melewati dari batas (8-14 gr%), sehingga setelah dihapus data menjadi 14522.\

Data sebelum dicleaning           : 15896 Data sesudah dicleaning           : 14522

 

3)      Analisis Univariat salah satu Variabel Kategorik (Pendidikan)                   

Analisis univariate pada variabel pendidikan

§  Klik Klik analyze- deskriptive statistic

§  Pilih frekuensi

§  Pilih variabel pendidikan ibu (didik)

§  Klik charts

§  Pilih histograms

§  Klik continue, OK

4)      Analisis Univariat semua Variabel Numerik dalam database (sekaligus)

Analisis univariate pada seluruh variabel numerik     

§     Klik Klik analyze- deskriptive statistic

§     Pilih deskriptives

§     Pilih semua variabel numerik

§     Klik options

§     Pilih mean,minimum, maximum, std. deviation, skewness

§     Klik continue, OK

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

5)      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

6)      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

7)      Analisis Bivariat

a.    Untuk mengetahui hubungan antara pendidikan dengan pekerjaan

2.      Identifikasi variabel dalam tujuan penelitian

·         Independen : Pendidikan

·         Dependen : Pekerjaan

3.      Identifikasi field dalam database

·         Independen : didik

·         Dependen : kerja

4.      Tentukan karakteristik field (K/N)

·         didik : K

·         kerja : K

5.      Tentukan analisis sementara : Uji Beda Proporsi

6.      Apabila terdapat variabel numerik -> lakukan uji normality : tidak ada

7.      Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

§  P = 0,000

§  Ho = Ditolak

§  Ada perbedaan proporsi antara pendidikan dengan pekerjaan, BERARTI ada hubungan pendidikan dengan pekerjaan.

8.      Bahas Hasil :

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang memiliki pendidikan tinggi cenderung akan mendapatkan pekerjaan yang tinggi pula

b.      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 : umur

·         Dependen : HB

3.      Tentukan karakteristik field (K/N)

·         umur : N

·         Hb : N

4.      Tentukan analisis sementara : Uji Korelasi Regresi

5.      Apabila terdapat variabel numerik -> lakukan uji normality : Tidak Normal dan Data Sudah Dinormalkan

6.      Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

§  P = 0,002

§  Ho = Ditolak

§  Ada perbedaan proporsi antara umur ibu dengan kadar HB, BERARTI ada hubungan antara umur ibu dengan kadar HB.

7.      Bahas Hasil :

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang berumur lebih muda pasti mempunyai HB rendah atau sebaliknya.

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 : didik

·         Dependen : ksepsi

3.      Tentukan karakteristik field (K/N)

·         didik : K

·         ksepsi : K

4.      Tentukan analisis sementara : Uji Beda Proporsi

5.      Apabila terdapat variabel numerik -> lakukan uji normality : tidak ada

6.      Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

§  P = 0,000

§  Ho = Ditolak

§  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

7.      Bahas Hasil :

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang memiliki pendidikan tinggi cenderung akan memilih alat kontrasepsi yang lebih baik

Lempiran hasil

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

·         Dependen : Kadar Hb

2. Identifikasi field dalam database

·         Independen : Tfe

·         Dependen : Hb

3. Tentukan karakteristik field (K/N)

·         Tfe : K

·         Hb : N

4. Tentukan analisis sementara : Uji Beda Rata-Rata

5. Apabila terdapat variabel numerik -> lakukan uji normality : ada, NORMAL

6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

·         P = 0,000

·         Ho = Ditolak

·         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.

7. Bahas Hasil :

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang tidak pernah mendapat tablet Fe, cenderung memiliki kadar Hb yang rendah, dan sebaliknya.

e. Untuk hubungan antara tekanan darah (sistolik/diastolik) dengan golongan darah

A. Sistolik

1. Identifikasi variabel dalam tujuan penelitian

·         Independen : Tekanan Darah Sistolik (Hipertensi, Tidak Hipertensi)

·         Dependen : Golongan Darah

2. Identifikasi field dalam database

·         Independen :sistol2

·         Dependen : darah

3. Tentukan karakteristik field (K/N)

·         sistol2 : K

·         darah1 : K

4. Tentukan analisis sementara : Uji Beda Proporsi

5. Apabila terdapat variabel numerik -> lakukan uji normality : tidak ada

6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

·         P = 0,051

·         Ho = Diterima

·         Ada perbedaan proporsi antara antara tekanan darah sistolik dengan golongan darah ibu berarti  ada hubungan tingkat tekanan darah sistolik dengan golongan darah ibu.

7.      Bahas Hasil :

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang memiliki golongan darah A cenderung lebih sering hipertensi sistolik daripada golongan darah yang lain.

B. Diastolik

1. Identifikasi variabel dalam tujuan penelitian

·         Independen : Tekanan Darah Diastolik (Hipertensi, Tidak Hipertensi)

·         Dependen : Golongan Darah

2. Identifikasi field dalam database

·         Independen : diastol2

·         Dependen : darah

3. Tentukan karakteristik field (K/N)

·         diastol2 : K

·         darah1 : K

4. Tentukan analisis sementara : Uji Beda Proporsi

5. Apabila terdapat variabel numerik -> lakukan uji normality : tidak ada

6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :

·         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.

7.Bahas Hasil

Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang memiliki golongan darah AB cenderung lebih sering hipertensi diastolikdaripada golongan darah yang lain.

Untuk melihat hasil yang lebih lengkap, silakan DOWNLOAD disini.