LAPORAN UJIAN SPSS
UJIAN AKHIR SEMESTER V
NAMA : TUTI AMRIYENI
NIM : 094114133
Kelas : III.A
LANGKAH- LANGKAH KERJA :
1. 1. Eksport data
a. Buka program epidata
b. Pilih eksport didalam epidata
c. Pilih SPSS kemudian pilih nama file yang akan dieksport.
d. Open Data epidata dengan format rec, yang akan di export
e. Buka program SPSS
f. Klik file
g. Ambil new syntak
h. Pilih data
i. Pilih open
j. Pilih file yang telah dieksport tadi
k. Klik run all
l. Buat Variable Labels didalam syntax, lalu Klik RUN ALL untuk menampilkannya kedalam Data View
m. Yang dihapuspada variabel view yang tidak diperlukan : Hari ini, Urut, Entri, Kelas, Jurusan
2.
2. Cleaning Data Awal
Cleaning data dilakkan pada data kategorik dan numerik. Untuk data kategorik data yang akan
di cleaning adalah :
VARIABEL KATEGORIK
- Pekerjaan
- Pendidikan
- Golongan darah
- Pernah periksa kehamilan
- Pemeriksaan fundus
- Pemeriksaan tb
- Pemeriksaaan tensi
- Pemberian tfe
- Pemberian tt
- Akseptor
- Kontrasepsi yang dipakai
- Kontrasepsi lain
- Alasan tidak ber-kb
- Alasan lain tidak ber-kb
- Rencana tempat melahirkan
Untuk data numeric data di cleaning menggunakan batasan yang telah ditentukan
Batasan- batasan yang dipakai di dalam Cleaning data adalah : VARIABEL NUMERIK
- Umur ibu : 15-45 tahun
- Tb ibu : 140-180 cm
- Bb ibu : 40-80 kg
- TD sistolik : 100-170 mmhg
- TD diastolik : 60-120 mmhg
- Kadar hb : 8-14 gr%
- Frekuansi pemeriksaan kehamilan
3.
3.Cleaning Data Akhir
 |
v Klik analyze-deskriptive statistic-frekuensi, kemudian pilih variabel yang akan di cleaning.
v Setelah output keluar, lihat missing, jika ada missing berarti ada data yang harus dibersihkan
v Kembali ke data, kemudian lihat data yang harus dibersihkan dengan klik sort cases, lalu pilih assending, lalu klik OK
v Kembali kembali ke data, lihat bagian teratas pada data, lalu lakukan Clear pada data yang missing
Proses Cleaning Data
1. Data Kategorik
a) Pekerjaan Ibu Responden
§ Jumlah data awal : 15896
§ missing : 22
§ Jumlah data akhir : 15874
b) Pendidikan Formal Ibu
§ Jumlah data awal : 15874
§ Missing :0
§ Jumlah data yang tidak sesuai dengan kategorik yang diminta : 4
Contoh : Pada pendidikan tidak ada kode untuk 1, tetapi pada data muncul 4 buah data yang mempunyai kode 1, maka data harus dihapus.
§ Jumlah data akhir : 15870
c ) Golongan Darah
§ Jumlah data awal : 15870
§ Missing :0
§ Julah data yang tidak sesuai dengan kategori yang diminta : 5 buah
Contoh: ada data golongan darah yang kosong, golongan darah nol, dan golongan darah 65 , maka data tersebut dihapus.
§ Jumlah data akhir : 15865
d) Pernah memeriksakan kehamilan ?
§ Jumlah data awal : 15865
§ missing : 4
§ Jumlah data akhir : 15861
e) Pengukuran T. Fundus
§ Jumlah data awal : 15861
§ missing : 273
§ Jumlah data akhir : 15588
f) Pengukuran TB
§ Jumlah data awal : 15588
§ missing : 0
§ Jumlah data akhir : 15588
g) Pemeriksaan tensi
§ Jumlah data awal : 15588
§ missing : 3
§ Jumlah data akhir : 15585
h) Pemberian tfe
§ Jumlah data awal : 15585
§ missing : 0
§ Jumlah data akhir : 15585
i) Pemberian tt
§ Jumlah data awal : 15585
§ missing : 50
§ Jumlah data akhir : 15535
j) Akseptor KB ?
§ Jumlah data awal : 15585
§ missing : 9
§ Jumlah data akhir : 15526
§ Lampiran
k) Kontrasepsi yang dipakai
§ Jumlah data awal : 15526
§ Missing : 3726
i. Jumlah data yang tidak sesuai dengan kategori yang diminta sebanyak 7 buah
Contoh: ibu TIDAK AKSEPTOR KB tetapi pada alat kontrasepsi yang dipaki terdapat IUD, SUNTIK, maka data tersebut dihapus
§ Jumlah data akhir : 11793
l) Kontrasepsi lain
§ Jumlah data awal : 11793
§ Missing : 0
§ Jumlah data yang tidak sesuai dengan kategorik yang diminta sebanyak 9 data.
Contoh: alat kontrasepsi laiinya yang dipakai, jawaban yang diminta adalah
kontrasepsi selain no1,2,3,4,5, tetapi responden mengisi dengan
angka tersebut.artinya jawaban yang ditulis salah .
kontrasepsi selain no1,2,3,4,5, tetapi responden mengisi dengan
angka tersebut.artinya jawaban yang ditulis salah .
§ Jumlah data akhir : 11784
Tidak ada data yang missing tetapi ada data yang tidak sesuai dengan permintaan jawaban seharusnya. Jumlahnya yaitu sekitar 9 data.
j) Alasan tidak ber-kb
§ Jumlah data awal : 11793
§ Missing : 0
§ Jumlah data akhir : 11793
Tidak dihapus karena semua akseptor ber-KB
k) Alasan lain tidak ber-kb
§ Jumlah data awal : 11793
§ Missing : 0
§ Jumlah data akhir : 11793
l) Rencana tempat melahirkan
§ Jumlah data awal : 11793
§ Missing : 161
§ Jumlah data akhir : 11619
§ Jumlah data yang tidak sesuai dengan kategori yang diminta sebanyak 4 data
Contoh: rencana t4 melahirkan hanya ada pilihan 1,2,3,4,5 tida ada pilihan 6.
Maka data yang berisi angka 6 harus dihapus, data tersebut sebanyak= 4 DATA
Maka data yang berisi angka 6 harus dihapus, data tersebut sebanyak= 4 DATA
§ Jumlah data akhir : 11619
2.Data Numerik
Cleaning pada data numerik dilakukan secara langsung dengan menggunakan batasan
yang telah dilakukan.batasan yang telah ditentukan dimasukkan kedalam RECODE,
agar data yang ada sesuai dengan batasan yang diminta.
Langkah RECODE:
· Klik transform
· Pilih RECODE
· Into Differant Variabel
· PILIH variabel yang akan diberi batasan
· Ganti nama variabel baru
· Buat label, Change
· Pilih Old and New Values
· Pilih System Missing
· Lalu buat batasan yang telah ditentukan untuk masing-masing variabel
· Continue, Ok
Langkah Cleaning data Numerik
· Sama seperti data kategorik, tetapi field yang dimasukkan adalah Field yang baru di RECODE
a) Umur ibu
§ Jumlah data awal : 11619
§ Missing : 52
§ Jumlah data akhir : 11567
§ Lampiran
b) Tinggi Badan ibu
§ Jumlah data awal : 11567
§ Missing : 4
§ Jumlah data akhir : 11563
c) Berat badan ibu
· Jumlah data awal : 11563
· Missing : 52
· Jumlah data akhir : 11511
d) TD Sistolik
· Jumlah data awal : 11511
· Missing : 409
· Jumlah data akhir : 11102
e) TD diastolik
· Jumlah data awal : 11102
· Missing : 110
· Jumlah data akhir : 10992
f) Kadar HB
· Jumlah data awal : 10992
· Missing : 51
· Jumlah data akhir : 10941
g) Frekuensi memeriksakan kehamilan
· Jumlah data awal : 10941
· Missing : 11
· Jumlah data akhir : 10930
Data yang missing ada 11 data , dan ada data yang diisi dengan kata TIDAK ADA 1 buah jadi jumlah data yang tinggal 10929
 |
DATA SEBELUM DICLEANING = 15896
DATA SETELAH DICLEANING -= 109294. 4. Analisis univariate pada variabel pendidikan
§ Klik Klik analyze- deskriptive statistic
§ Pilih frekuensi
§ Pilih variabel pendidikan ibu (didik)
§ Klik charts
§ Pilih histograms
§ Klik continue, OK
Kesimpulan :
Dari data diatas di dapatkan kesimpulan, bahwa dari semua tingkat pendidikan responden
yang paling tinggi adalah tingkat SMU yaitu sebanyak 4970 atau 45.5 %, dan pendidikan
terendah adalah buta huruf/ SD yaitu sebanyak 260 atau 2.4 %.
- 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
Analisa data:
Kesimpulan dari data diatas adalah :
1. Rata-rata umur ibu adalah è 27.98 tahun
2. Rata-rata tinggi badan ibu adalah è158.247 cm
3. Rata-rata berat badan ibu adalah è54.752 Kg
4. Rata-rata tekanan darah sistolik ibu adalah è116.37 mmHg
5. Rata-rata tekanan darah diastolic adalah è 81.16
6. Rata-rata kadar HB ibu adalah è 11.215
6.Transformasi Data Kategorik
a) Pekerjaan ( bekerja, tidak bekerja)
§ Pilih transform
§ Klik recode
§ Klik into differens variables
§ Masukkan variabel pekerjaan
§ Buat nama baru: kerja 1 dan label: pekerjaan ibu
§ Klik change
§ Lakukan penkategorian (1=1) (2=1) (3=1) (4=1) (5=1) (6=2)
§ Klik continue,OK
§ Buka syntax , lalu buat
RECODE
KERJA
(1=1) (2=1) (3=1) (4=1) (5=1) (6=2) INTO kerja1 .
VARIABLE LABELS kerja1 'pekerjaan ibu'.
ADD VALUE LABELS kerja1 1'bekerja' 2' tidak bekerja'.
EXECUTE .
§ Blok Syntax yang telah dibuat , lalu Run
b) Pendidikan ibu ( rendah, tinggi)
§ Pilih transform
§ Klik recode
§ Klik into differens variables
§ Masukkan variabel pendidikan
§ Buat nama baru: didik 1 dan label: pendidkan ibu
§ Klik change
§ Lakukan penkategorian (0=1) (2=1) (3=2) (4=2)
§ Klik continue, paste, OK
§ Buka syntax , lalu buat
RECODE
DIDIK
(0=1) (2=1) (3=2) (4=2) INTO didik1 .
VARIABLE LABELS didik1 'tingkat pendidikan ibu'.
ADD VALUE LABELS didik1 1 ' rendah' 2' tinggi' .
EXECUTE .
§ Blok Syntax yang telah dibuat , lalu Run
c) Umur ibu ( resti, tidak resti)
§ Pilih transform
§ Klik recode
§ Klik into differens variables
§ Masukkan variabel umur
§ Buat nama baru: usiaresti 1 dan label: Usia Ibu tergolong Resiko tinggi
§ Klik change
§ Lakukan penkategorian (Lowest thru 14.9=1) (45.1 thru Highest=1) (15 thru 45=2) Klik continue, paste, OK
§ Buka syntax , lalu buat
RECODE
UMUR
(Lowest thru 14.9=1) (45.1 thru Highest=1) (15 thru 45=2) INTO usiaresti .
VARIABLE LABELS usiaresti '.
ADD VALUE LABELS usiaresti 1' resti' 2' tidak resti'.
EXECUTE .
§ Blok Syntax yang telah dibuat , lalu RuN
- Variabel IMT ( Kurus, Normal, Gemuk)
§ Klik transform
§ Pilih compute
§ Ketik IMT lalu masukkan rumus: imt = BB / ((TB / 100) * (TB / 100))
§ OK
§ PILIH Recode
§ Pilih transform
§ Klik Recode
§ Klik into differens variables
§ Masukkan variabel IMT
§ Buat nama baru: imt 2 dan label: indeks massa tubuh
§ Klik change
§ Lakukan penkategorian (Lowest thru 18.499=1) (18.5 thru 25=2) (25.001 thru Highest=3) Klik continue, paste, OK
§ Buka syntax , lalu buat
RECODE
imt
(Lowest thru 18.499=1) (18.5 thru 25=2) (25.001 thru Highest=3) INTO imt2 .
VARIABLE LABELS imt2 'indeks masa tubuh'.
ADD VALUE LABELS imt2 1 ' kurus' 2 'normal' 3 'gemuk'.
EXECUTE
§ Blok Syntax yang telah dibuat , lalu Ru
- Analisis Bivariate Langkah-langkah kerja
7 langkah ringkas Analisis Bivariate:
1. Identifikasi variable dalam tujuan penelitian dan tentukan hipotesis penelitian
2. Identifikasi field dalam database
3. Tentukan karakteristik field (K/N)
4. Tentukan analisis sementara
5. Apabila terdapat variable numericèlakukan uji normality
6. Rumuskan hipotesis pengujian pada CI tertentu, uji, baca hasil dan interpretasikan hasil.
7. Bahas hasil
a). bandingkan dengan teori yang dipakai , yang sesuai
b). Bandingkan penelitian sejenis dan /atau data sekunder sejenis
1. Untuk mengetahui hubungan antara pendidikan dengan pekerjaan
1. Identifikasi variabel dalam tujuan penelitian
· Independen : Pendidikan
· Dependen : Pekerjaan
2. Identifikasi field dalam database
· Independen : didik
· Dependen : kerja
3. Tentukan karakteristik field (K/N)
· didik : K
· kerja : 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 pendidikan dengan pekerjaan, BERARTI ada hubungan pendidikan dengan pekerjaan.
7. Bahas Hasil :
Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang memiliki pendidikan tinggi cenderung akan mendapatkan pekerjaan yang tinggi pula
2. 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 : ada, NORMAL
6. Rumuskan hipotesis pengujian pada CI 95% , uji, baca hasil, dan interpretasikan hasil (Ho Pengujian) :
§ P = 0,941
§ Ho = Diterima
§ Tidak ada perbedaan Korelasi Regresi antara umur dengan kadar hb, BERARTI tidak ada hubungan umur dengan kadar hb.
7. Bahas Hasil :
Hasil pengujian Ini sesuai dengan teori yang telah ada bahwa orang yang berumur lebih muda belum tentu mempunyai HB rendah atau sebaliknya
3. 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
4. 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.
5. 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 = 0,007
· 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
Lampiran hasil
Jika ingin melihat hasil lebih lengkap, LENGKAP dengan DATA SPSS, SYNTAX, OUTPUT,
Jika ingin melihat hasil lebih lengkap, LENGKAP dengan DATA SPSS, SYNTAX, OUTPUT,
dan TABEL HASIL PENGOLAHAN DATA maka DOWNLOAD disini.
