Hari itu tanggal 17 Agustus 2013 tepat hari memperingati kemerdekaan Indonesia yang ke-68, Kumulai aktivitas baru ku dengan semangat yang baru dan tentunya dengan percaya diri yang tinggi.
Pagi itu setelah bngun tidur pukul 05.30 WIB tak lupa aku langsung melaksanakan ibadah shlat subuh, selesai shlat shubuh sejenak aku terdiam dan merasakan ada yang berbeda antara aku dengan teman-teman ku yang lain, entah kenapa ketika itu aku sempat meneteskan air mata, ternyata hari itu adalah hari pertamaku mengikuti kuliah Komputer lg.
kenpa aku harus bersedih?? kuliah?? bagus kan?!
tidak jawab aku!!
karna, ternyata hal yang paling tidak aku sukai akan ku jalani selama beberapa hari itu, tau tidak apa?? yaitu "sp". Sebulan telah berlalu selama Ramadhan aku selalu berusaha menerimanya dengan lapang dada, namun menjalani semua itu ternyata tak semudah mengucapkannya, tak sedikit teman-teman ku memberiku motivasi, mereka berkata " sabar teman, jalani saja semua ini dengan iklas dan ambil hikmahnya" sedikit mulai sedikit aku mulai bisa menerimanya, karna tdan akupun segera bersiap2 pergi kekampus untuk memulai hari baru ku dengan rasa iklas, semangat dan percaya diri.
Sesampai di kampus, Bissmillahirrahmanirrahim.. ucapku ketika memasuki ruangan komputer, ternyata aku telat, semangat yang kubawa dr rumahpun mulai sedikit pudar, namun hati kecilku berkata "masalahmu tak akan pernah hilang jika kamu tidak mau menyelesaikannya" dengan kata-kata tersebut akupun mulai bangkit lagi dan tetap yakin serta iklas untuk menjalani kuliah pagi itu.
Pelajaran pertamaku pagi itu yaitu :
Menggabungkan Field
menggabungkan field data sebanyak 14 buah dengan cara membuka Epidata jalankan menu data in/out lalu append / merge lalu browse file pertama klik ok, browse file ke dua klik ok, klik ok lg untuk memastikan kedua file yg dipilih sudah benar untuk d gabung, setelah itu masukan nama file hasil gabungan yang diinginkan, klik ok dan untuk memproses penggabungan data, setelah itu akan keluar informasi mengenai hasil penggabungan file tersebut.
Lakukan penggabungan data hingga semua file berhasil tergabungkan, dengan kata kunci, file pertama untuk proses berikutnya adalh hasil gabungan pada penggabung yang pertamanya, pastikan data ini telah disimpan agar langkah selanjutnya bisa dilanjutkan.
Setelah itu export file A.30.rec (file hasil penggabungan terakhir) lalu ok.
Selanjutnya kita buka aplikasi SPSS, file >open > syintak > data yg telah disimpan tadi.
Setelah itu frequensikan data pendidikan, pekerjaan, gol darah, sex, rencana tempat melahirkan dengan cara, analyze > descriptive statistics > frequencies. (satu persatu), lalu lihat pada output akan muncul data tabel frequensinya.
Cleening Data
yaitu,membesihkan data (penghapusan data yang missing). cleening data ini berfungsi untuk mnghapus data kita yang missing, bagaimana cara menentukan data yang missing itu, yaitu dengan cara: missalnya kita memeriksa data numerik yaitu pada variabel umur, pada variabel umur itu telah ditentukan batas-batasanya yaitu 15-45 tahun, data variabel umur ini dikatakan missing jika kurang dari batas normal atau lebih dari batas normal tersebut.
dengan cara klik data > sort cases > umur ( variabel) > ascending > ok.
setelah itu, nanti akan keluar pada data kita data yang missing tsb, baru setelah itu kita delete dengan cara memblok data yang mising > klik kanan > clear, maka data yang missing tsb akan terhapus.
begitu juga pada data kategorik, misalnya pada data kategorik pendidikan.
caranya klik analize kemudian descriptive statistic > frequencies masukkan
variabel pendidikan lalu ascending dan ok ternyata terdapat 190 data yang
missing, maka data yang missing tersebut harus kita hapus dan kami harus menghapus data yang misiing tersebut dengan cara yang sama seperti pada data numeric tadi.
selanjutnya kita lakukan pada variabel pekerjaan ibu, namun disini kita tidak menemui data yang missing.
Uji Logika
yaitu pengujian terhadap data yang kita miliki (logis/tidak). pada uji logika yang harus kita
lakukan adalah untuk memeriksa ada atau tidak perbedaan nilai antara variabel dependen dan independen. jika ada perbedaan maka kita akan melakukan penghapusan,
contohnya kita lakukan uji logika pada variabel akseptor kb dan
yang memberikan alasan kenapa tidak berkb,caranya yaitu, buka data > anayize > desciptive statistics > frequencies > masukkan variabel
akseptor dan alasan tidak berKB lalu ok. jika data kita missing, maka kita akan menemukan data missing tersebut, minsalnya kita menemukan perbedaannya sebanyak 9 buah, lihat dengan
cara spss untuk mencri non akseptor tapi menggunakan kontrasepsi
dengan cara buka data kita, data > sort cases > sort order ascending > masukkan field
konsepsi, ini mempunyai dua pilihan yaitu 1 ya 2 tidak.
tujuan penggunaan ascending yang dipilih yaitu
untuk memunculkannya data missing tersebut keatas lalu pada variabel konsepsi terdapat lima pilihan, kita gunakan sort descending untuk memunculkannya keatas > klik ok dengan begitu data kita yang missing td dapat ditemukan, selanjutnya kita blog sebanyak sembilan tadi, lalu klik kanan > clear, maka data yang missing tadi terhapus dan data kita telah bersih.
Selanjutnya kita melakukan uji logika pada orang yang
berKB tetapi memberikan alasan. caranya tidak berbeda dengan cara yang diatas, buka data > anayize > desciptive statistics > frequencies > masukkan variabelnya lalu ok terdapat hasil orang yang ber KB sebanyak 25.858 sedangkan yang
memberikan alasan kenapa tidak berKB sebanyak 25.928 maka data ini memiliki selisih sebannyak 70 responden, seharusnya jumlahnya sama, bearti ada 70 data yang missing, maka kita lakukan kembali penghapusan data missing tersebut.
Cara untuk mengetahui 70 respnden
tersebut adalah data > sort ceses > masukan dua variabel akseptor dan yang memberikan
alasan tidak ber KB, field akseptor di sort descending karna kita menginginkan
yang 1 yaitu yang di atas, harusnya
akseptor semuanya missing dan alasan supaya di letakan di atas juga maka kita pakai sort
descending lalu missing 70 pertama kita delete.
Transformasi
Data
Transformasi
itu sendiri artinya adalah menyederhanakan field menjadi kategori menjadi lebih
sederahana. Transformasi terbagi menjadi 3 :
KK yaitu menyederhanakan variabel kategori
NK yaitu mengkategorikan variabel numerik
NN yaitu menghitung nilai numerik baru dari numerik yang sudah ada
Dengan catatan ; KK membuat field baru untuk menampung hasil pengkategorian variabel.
Misalkan pendidikan yang memiliki 4 kategori ( SD, SLTP, SLTA, dan PT) disederhanakan menjadi rendah (SD, SLTP) dan tinggi (SLTA dan PT) .
Tranformasi data NK Menghitung nilai dari perhitungan field numerik yang sudah ada kemudian disimpan dalam filed baru. Dalam perhitungan (rumus) dapat menggunakan fungsi-fungsi matematis. Contoh : untuk menghitung total skor variabel komposit dipakai fungsi jumlah.
Perintah yang digunakan adalah transfrom > recode > into different variabel > pilih field mana yang akan dibuat kategori baru > isikan nama field baru > isikan old value dan new value sesuai dengan ketentuan > continu > paste . Buka file syntax, isikan add value
misal : 0 untuk kategori ya dan 1 untuk kategori tidak . setelah itu blok lalu pilih ikon run selection. Pada file out , klik menu analyse > deskriptif statistic > frequensis > pilih field yang baru dibuat tadi (cari di paling bawah) > setelah itu oke.
Pada transformasi data :
1. Untuk data kategorik hanya mengisi pada value lama dan value baru. Agar field yang lama dapat disederhanakan menjadi kategori yang lebih sederhana dapat diganti namanya dengan value (nilai) yang baru.
2. Untuk data numerik mengisi bukan pada kolom value tapi pada range. Karena data numerik ini memerlukan batas atas value dengan batas bawah value. Misal : untuk data kadar hb batas atas 11,00000 mmHg sedangkan batas bawah 10,99999999999mmHg.
Berarti untuk Hb diatas 11 mmHg digolongkan responden dengan kadar hb normal sedangkan untuk hb yang dibawah 11 mmHg tergolong kepada responden anemia.
Maksud dari transformasi data adalah menyederhanakan data menjadi kategori data yang lebih sederhana dengan kata lain berarti mengelompokan data ke dalam kategori.
Untuk dapat mengelompokan data kita harus mampu mengelompokan data. Jadi gak sembarangan buat ngelompokin data.
Dalam mengelompokan data perlu acuan agar tidak salah dalam mengkategorikan data.
Mengelompokan data Ada 2 acuan yang dapat dipakai dalam pengelompokan data yaitu :
1. Acuan patokan
2. Acuan normatif
Acuan patokan adalah batas kategori yang sudah ditetapkan oleh disiplin ilmu bersangkutan. Sedangkan acuan mormatif adalah batas ambang klasifikasi dicari dalam database bersangkutan berupa nilai-nilai deskriptif statistika. (mean, median, modus).
Misalnya : data kadar hb sebelum hamil adalah data numerik. Ingin diketahui prevalensi anemia maka kadar hb harus dikelompokan lebih dahulu.
Dasar pengelompokan adalah acuan patokan, karena sudah ditetapkan oleh kementrian kesehatan bahwa seorang ibu hamil dikatakan anemia bila kadar hb-nya K→K adalah menyedehanakan kategori
KK yaitu menyederhanakan variabel kategori
NK yaitu mengkategorikan variabel numerik
NN yaitu menghitung nilai numerik baru dari numerik yang sudah ada
Dengan catatan ; KK membuat field baru untuk menampung hasil pengkategorian variabel.
Misalkan pendidikan yang memiliki 4 kategori ( SD, SLTP, SLTA, dan PT) disederhanakan menjadi rendah (SD, SLTP) dan tinggi (SLTA dan PT) .
Tranformasi data NK Menghitung nilai dari perhitungan field numerik yang sudah ada kemudian disimpan dalam filed baru. Dalam perhitungan (rumus) dapat menggunakan fungsi-fungsi matematis. Contoh : untuk menghitung total skor variabel komposit dipakai fungsi jumlah.
Perintah yang digunakan adalah transfrom > recode > into different variabel > pilih field mana yang akan dibuat kategori baru > isikan nama field baru > isikan old value dan new value sesuai dengan ketentuan > continu > paste . Buka file syntax, isikan add value
misal : 0 untuk kategori ya dan 1 untuk kategori tidak . setelah itu blok lalu pilih ikon run selection. Pada file out , klik menu analyse > deskriptif statistic > frequensis > pilih field yang baru dibuat tadi (cari di paling bawah) > setelah itu oke.
Pada transformasi data :
1. Untuk data kategorik hanya mengisi pada value lama dan value baru. Agar field yang lama dapat disederhanakan menjadi kategori yang lebih sederhana dapat diganti namanya dengan value (nilai) yang baru.
2. Untuk data numerik mengisi bukan pada kolom value tapi pada range. Karena data numerik ini memerlukan batas atas value dengan batas bawah value. Misal : untuk data kadar hb batas atas 11,00000 mmHg sedangkan batas bawah 10,99999999999mmHg.
Berarti untuk Hb diatas 11 mmHg digolongkan responden dengan kadar hb normal sedangkan untuk hb yang dibawah 11 mmHg tergolong kepada responden anemia.
Maksud dari transformasi data adalah menyederhanakan data menjadi kategori data yang lebih sederhana dengan kata lain berarti mengelompokan data ke dalam kategori.
Untuk dapat mengelompokan data kita harus mampu mengelompokan data. Jadi gak sembarangan buat ngelompokin data.
Dalam mengelompokan data perlu acuan agar tidak salah dalam mengkategorikan data.
Mengelompokan data Ada 2 acuan yang dapat dipakai dalam pengelompokan data yaitu :
1. Acuan patokan
2. Acuan normatif
Acuan patokan adalah batas kategori yang sudah ditetapkan oleh disiplin ilmu bersangkutan. Sedangkan acuan mormatif adalah batas ambang klasifikasi dicari dalam database bersangkutan berupa nilai-nilai deskriptif statistika. (mean, median, modus).
Misalnya : data kadar hb sebelum hamil adalah data numerik. Ingin diketahui prevalensi anemia maka kadar hb harus dikelompokan lebih dahulu.
Dasar pengelompokan adalah acuan patokan, karena sudah ditetapkan oleh kementrian kesehatan bahwa seorang ibu hamil dikatakan anemia bila kadar hb-nya K→K adalah menyedehanakan kategori
Ujy Normality
ujy normality yaitu untuk pengujian untuk melihat data berdistribusi normal atau tidak. Gunanya sebagai syarat utama uji
parametrik (angka) /parameter. Ada enam
cara yang digunakan untuk melakukan uji normality, yaitu:
- Perbandingan mean, median, modus
- Uji kolmogorov smirnov (KS)
- Skeweness
- Histogram
- Steam-leaf dan QQ plot
- Box Plot.
dengana ciri-cirinya adalah Data
dikatakan normal jika Mean,Median dan Modusnya memiliki beda yang tipis/kecil
danMediannya harus berada di tengah. Kolmogorov smirnov ciri-cirinya
yaitu Hanya
sensitive pada sampel kecil, karena pada konsep sampling makin besar sampel
maka akan mendekati populasi.
H0 : Data berdistribusi normal
Sig. ~ p-value = 0,000
P < 0,05 (CI=95%)
H0 ditolak
H0 : data berdistribusi normal
3 Skeweness ciri- cirinya Data
normal jika skeweness dibagi std. error hasinya berkisar antara
-1.27 - +1.27.jika berada di luar rentang terssebut maka
datanya tidak normal.
Histogram karakternya yaitu Data normal jika kurva histogram yang
terbentuk menyerupa kurva normal
5 Q-Q plot dan
Steam & Leaf karakternya yaitu Data
normal jika data yang tersebar di garis cegar baik yang diatas maupun di bawah
sama banyak.
6. Box Plot karakternya yaitu Data
normal jika:
a.
Box tidak tinggi/ rendah
b.
Kakinya pendek, seimbang atas dan bawah
c.
Median ada di tengah
d.
Tidak ada data ekstrim, jikaada seimbang atas dan bawah
Jika data
tidak normal juga ,lakukan normalisasi ~ menormalkan data.
a. Memissingkan record outlier dengan uji lagi normality
b. Me-log-kan variabel dengan uji lagi normality
APABILA TETAP TIDAK NORMAL, Uji Parametrik tidak
boleh dipakai.
Ada 2 pilihan :
a. Uji dengan uji Non Parametrik
b.
Kategorikan variabel (uji non parametrik)
Contoh:
1.
Missingkan umur <20 dan >40 dengan membuat field baru [U2040], kemudian
uji kembali normalitasnya.
2.
Logkan umur dengan cara, Transform > Recode into different variabel > Rubah
nama dan Label > Change > Old and New Values > Range 20-40 > Copy old values, Add > Lalu klik All other values > klik system missing, Add - Continue.
Analisis
Univariat ,
Univariate Analysis, adalah
analisis yang dilakukan untuk satu variabel atau per variabel.
Catatan: Dalam
pengertian tertentu, analisis deskriptif menjadi sama dengan analisis
univariat.
Analisis
univariat terbagia atas dua jenis data, yakni
1. Data
kategorik
2. Data
numerik
1. Data Kategorik adalah semua data dengan bentuk akhir (Final Data) berupa data
non-numerik,
tetapi berupa kategori, level, pernyataan, symbol, penamaan, dll.
Contoh jenis kelamin (L atauP),
tempaty tinggal/region (Urban, Rural), tingkat
pendidikan (SD, SMP, SLTA, PT), respon
konsumen pada produk (Puas, Cukup,
Kurang puas), dll.
Dengan
bertujuan untuk menghitung distribusi frequensinya yatu
hitung/sajikan distribusi frequensi semua field kategorik termasuk hasil transformasi
data lalu komentari berdasarkan nilai ekstrim yaitu nilai tertinggi dan
terendah,keadaan responden di tempat penelitian dnan juga menggunakan kalimat
kualitatif,, yang termasuk pada data kategorik yaitu
(pekerjaan,pendidikan,golongan darah,jen
is kelamin,kali,fundus,TFE,TT,rencana,akseptor)
misalnya kita ambil contoh pekerjaan ibu, langkahnya analyze >
descriptive
statistic > descriptives > masukkan variabel pekerjaan > options > centang semua yang di butuhkan lalu continue > paste > buka syntax > copy tabel atau
hasilnya tersebut ke word seperti yang di bawah ini
|
Pekerjaan Ibu Responden
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
PNS
|
14788
|
23.1
|
23.1
|
23.1
|
|
Swasta
|
14169
|
22.1
|
22.1
|
45.1
|
|
|
Wiraswasta
|
13718
|
21.4
|
21.4
|
66.5
|
|
|
Pedagang
|
9814
|
15.3
|
15.3
|
81.8
|
|
|
Buruh/Tani
|
4414
|
6.9
|
6.9
|
88.7
|
|
|
Lain-lain
|
7240
|
11.3
|
11.3
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
> Masih ada ibu-ibu hamil yang bekerja sebagai
petani sekitar70% dan hampir seperempat responden bekerja sebagai pegawai negri
sipil.
> Ibu hamil di lokasi penelitian
memiliki pekerjaan terbanyak sebagai pns (23%) sedangkan yang bekerja sebagai
buruh 7 %
> Hanya 11% saja ibu responden yang
bekerja sebagai ibu rumah tangga
|
Pendidikan Formal Ibu
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
BH/SD
|
2805
|
4.4
|
4.4
|
4.4
|
|
T.SLTP
|
8714
|
13.6
|
13.6
|
18.0
|
|
|
T.SLTA
|
26814
|
41.8
|
41.8
|
59.8
|
|
|
T.P.Tinggi
|
25810
|
40.2
|
40.2
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
Komentar:
> Pendidikan responden di lokasi penelitian
relatif tinggi. Hanya 4 % saja responden tamatan SD/ buta huruf.
> Responden yang berpendidikan SLTA hampir sama
banyaknya dengan tamat perguruan tinggi (41.8% dan 40.2%)
> Responden yang berpendidikan SLTP lebih sedikit
dari tamatan SLTA yaitu 13.6 %.
|
Golongan Darah
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
A
|
16569
|
25.8
|
25.8
|
25.8
|
|
AB
|
18708
|
29.2
|
29.2
|
55.0
|
|
|
B
|
13898
|
21.7
|
21.7
|
76.7
|
|
|
O
|
14968
|
23.3
|
23.3
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
Komentar
·
> Responden yang memiliki golongan darah A hampir sama dengan yang memiliki golongan
darah O yaitu 25.8 % dan 23.3%.
·
> Responden yang memiliki golongan darah tertinggi
adalah AB yaitu sekitar 29.2 %.
·
> Responden yang memiliki golongan darah terendah
adalah B yaitu sekitar 21.7 %
|
Jenis kelamin Balita
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
laki-laki
|
31872
|
49.7
|
49.7
|
49.7
|
|
Perempuan
|
32271
|
50.3
|
50.3
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
Komentar
· > Jenis kelamin antara laki-laki dan perempuan
hampir sama yaitu 49.7 % dan 50.3%.
|
Pemeriksaan Kehamilan
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
PERNAH
|
48640
|
75.8
|
75.8
|
75.8
|
|
Tidak
|
15503
|
24.2
|
24.2
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
Komentar
·
> Responden di tempat penelitian yang pernah
memeriksakan kehamilan lebih banyak dari pada yang tidak memeriksakan kehamilan
yaitu 75.8% dan 24.2%.
|
Sebelum Hamil Akseptor KB ?
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
25858
|
40.3
|
40.3
|
40.3
|
|
Ya
|
38285
|
59.7
|
59.7
|
100.0
|
|
|
Total
|
64143
|
100.0
|
100.0
|
|
|
Komentar
· > Jumlah Responden di tempat penelitian yang
merupakan merupakan akseptor KB hampir seimbang dengan yang tidak akseptor KB
· > Di lihat dari jasil penelitian responden yang
merupakan akseptor KB sebanyak 59.& % sedangkan yang tidak sebanyak 40.3%
|
Kontrasepsi yang Dipakai
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
IUD
|
14844
|
23.1
|
38.8
|
38.8
|
|
Kondom
|
7495
|
11.7
|
19.6
|
58.3
|
|
|
Pil
|
11497
|
17.9
|
30.0
|
88.4
|
|
|
Susuk
|
4037
|
6.3
|
10.5
|
98.9
|
|
|
Lain2
|
412
|
.6
|
1.1
|
100.0
|
|
|
Total
|
38285
|
59.7
|
100.0
|
|
|
|
Missing
|
System
|
25858
|
40.3
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Komentar
· > Responden di tempat penelitian yang banyak
menggunakan kontrasepsi adalah jenis IUD (23.1%) dan yang terendah adalah jenis
lainnya (6%)
· > Responden yang menggunakan kontrasepsi pil
adalah sebanyak (17.9%)
|
Diukur Tinggi Fundus ?
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
5236
|
8.2
|
10.8
|
10.8
|
|
Ya
|
43404
|
67.7
|
89.2
|
100.0
|
|
|
Total
|
48640
|
75.8
|
100.0
|
|
|
|
Missing
|
System
|
15503
|
24.2
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
Komentar
·
> 1 dari 10 responden tidak melakukan pengukuran
tinggi fundus
·
> Jumlah responden yang di ukur fundusnya adalah
sebanyak 67.7% dan yang tidak adalah sebanyak 8.2%.
|
Diukur TB ?
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
4336
|
6.8
|
8.9
|
8.9
|
|
Ya
|
44304
|
69.1
|
91.1
|
100.0
|
|
|
Total
|
48640
|
75.8
|
100.0
|
|
|
|
Missing
|
System
|
15503
|
24.2
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
Komentar:
> Responden di tempat penelitian lebih banyak
melakukan pengukuran TB dari pada yang tidak melakukan pengukuran TB (69.1% dan
6.8%)
|
Diukur Tensi ?
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
1645
|
2.6
|
3.4
|
3.4
|
|
Ya
|
46995
|
73.3
|
96.6
|
100.0
|
|
|
Total
|
48640
|
75.8
|
100.0
|
|
|
|
Missing
|
System
|
15503
|
24.2
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
Komentar
·
> Responden di tempat penelitian lebih banyak
melakukan ukur tensi dari pada yang tidak melakukan ukur tensi
|
Diberi Tablet Fe
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
3969
|
6.2
|
8.2
|
8.2
|
|
Ya
|
44671
|
69.6
|
91.8
|
100.0
|
|
|
Total
|
48640
|
75.8
|
100.0
|
|
|
|
Missing
|
System
|
15503
|
24.2
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
Komentar
·
> Jumlah responden di tempat penelitian yang di
beri tablet Fe sebanyak 69.9% dan yang tidak sebanyak 6.2%.
|
Diimunisasi TT
|
|||||
|
|
|
Frequency
|
Percent
|
Valid Percent
|
Cumulative Percent
|
|
Valid
|
Tidak
|
6940
|
10.8
|
14.3
|
14.3
|
|
Ya
|
41714
|
65.0
|
85.7
|
100.0
|
|
|
Total
|
48654
|
75.9
|
100.0
|
|
|
|
Missing
|
System
|
15489
|
24.1
|
|
|
|
Total
|
64143
|
100.0
|
|
|
|
Komentar
·
> Jumlah responden yang tidak melakukan imunisasi
TT lebih sedikit dari yang melakukan imunisasi TT (10.8% dan 65.%)
2. Data Numerik adalah data yang yang
memiliki nilai dan memiliki jawaban menggunakan angka bukan pilihan seperti
data kategorik, data numerik ini bertujuan untuk menghitung statistic descriptivenya yaitu ukuran2 penyebaran data
(dispercy) misalnya nilai nilai minimum,maximum,range,standar deviasi,standar
eror.
Langkahnya yaitu, buka dta kita
pilih analyze > descriptive statistics
> frequencies > lalu masukkan data numerik yang kita
inginkan > pilih pada statistic
> centang semua yang di butuhkan
> continue > paste, lalu copykan hasilnya ke word seperti di bawah ini
|
Statistics
|
||||
|
|
|
Umur Ibu (tahun)
|
TB Ibu (cm)
|
BB Ibu (kg)
|
|
N
|
Valid
|
64142
|
64143
|
64143
|
|
Missing
|
1
|
0
|
0
|
|
|
Mean
|
27.13
|
157.296
|
55.072
|
|
|
Median
|
26.00
|
157.000
|
55.000
|
|
|
Mode
|
25
|
156.0
|
50.0
|
|
|
Std. Deviation
|
4.847
|
6.0134
|
7.0794
|
|
|
Skewness
|
.730
|
-.061
|
.155
|
|
|
Std. Error of Skewness
|
.010
|
.010
|
.010
|
|
|
Kurtosis
|
.499
|
-.187
|
-.698
|
|
|
Std. Error of Kurtosis
|
.019
|
.019
|
.019
|
|
|
Range
|
30
|
35.0
|
30.0
|
|
|
Minimum
|
15
|
140.0
|
40.0
|
|
|
Maximum
|
45
|
175.0
|
70.0
|
|
Komentar
Sesuai
dengan kebutuhan penelitian.Setidaknya untuk kebutuhan uji normality di
butuhkan mean,median dan modus
Cara
penulisan kebutuhan deskriptif statistik untuk rata-rata dan standar defiasi adalah
:
Misalnya
umur : Rata-rata umur responden adalah 27.13 (+4.85) tahun yang berkisar antara
15-45 .Satuan variabel di belakang dan nilai standar deviasi dalam kurung yang
di awali dengan tanda ±
Rata-rata
biasanya di ikuti dengan rentangan (min/max)
1. Mean,median,modus dan
skeweness dapat di gunakan untuk uji normality.Data dikatakan berdistribusi
normal apabila mean=median=modus atau keetiga data tersebut selisihnya
kecil.Media berada di tengah ketiga data.
2. Di lihat dari skeweness :
data di katakan berdistribusi normal bili skeweness di bagi standar error of
skewenessnya berkisar antara -1.27 sampai +1,27
Analisis Bivariat
Bivariate Analysis, adalah analisis yang dilakukan untuk menganalisis hubungan dua variabel.
melakukan analisis bivariat 2 variabel dimana 1
variabel sebagai independent dan yang 1 sebagai dependent.
dengan uji variabel tersebut ada 4 kemungkinan pasangan
yaitu
o
K Ã
K ----di uji dengn uji beds
proporsi
o
K Ã
N------di uji dengan uji beda
rata-rata
o
N Ã
K-----di uji dengan uji beda
rata-rata
o
N Ã
N-----di uji dengan uji korelasi
contohnya: K-K
Untuk mengetahui hubungan antara pernah
memeriksakan kehamilan dengan keikutsrtaan berKB.
Perintahnya : Analyze _ Descriptive statistic- Crosstab
– Pada Row masukkan variable independen – Pada Column Variabel Dependen –
Statistic klik Chi-Square – Cell klik Row, Column – Continue - OK
Langkah
1 : sebagai independen variabel adalah
Pemeriksaan Kehamilan dan sebagai Dependen variabel adalah keikutsertaan berKB
Langkah
2 : Variabel Pemeriksan kehamilan
dalam database nama fieldnya adalah pernah dan Variabel Keikutsertaan berKB nama fieldnya adalah
Akseptor
Langkah
3: Field Pernah berkarakteristik :
Kategorik dan field Akseptor berkarakteristik : Kategorik.
Langkah
4: Data kategorik dengan kategorik
diuji dengan uji beda Proporsi (chi squatre). Ho Pengujian adalah : (rumus Ho
Uji beda proporsi : tidak ada perbedaan kejadian dependen variable antar
kategori independen. H0: Tidak ada perbedaan proporsi responden yang tidak
berKB antara yang pernah dan tidak pernah memeriksakan kehamilan, diuji pada
batas kepercayaan 95%.
Langkah
5: Tidak ada field numerik, sehingga langkah
ini dilewati (skip)
Langkah
6: Uji, baca, dan interpretasikan.
|
Pemeriksaan
Kehamilan * Sebelum Hamil Akseptor KB ? Crosstabulation
|
|||||
|
|
Sebelum
Hamil Akseptor KB ?
|
Total
|
|||
|
Tidak
|
Ya
|
||||
|
Pemeriksaan Kehamilan
|
PERNAH
|
Count
|
19424
|
29267
|
48691
|
|
% within Pemeriksaan Kehamilan
|
39.9%
|
60.1%
|
100.0%
|
||
|
Tidak
|
Count
|
6443
|
9088
|
15531
|
|
|
% within Pemeriksaan Kehamilan
|
41.5%
|
58.5%
|
100.0%
|
||
|
Total
|
Count
|
25867
|
38355
|
64222
|
|
|
% within Pemeriksaan Kehamilan
|
40.3%
|
59.7%
|
100.0%
|
||
Komentar : Responden yang tidak
berKB lebih banyak terdapat pada yang tidak pernah memeriksakan kehamilannya.berdasarkan hasil tabel di atas
|
Chi-Square
Tests
|
|||||
|
|
Value
|
df
|
Asymp.
Sig. (2-sided)
|
Exact
Sig. (2-sided)
|
Exact
Sig. (1-sided)
|
|
Pearson Chi-Square
|
12.413a
|
1
|
.000
|
|
|
|
Continuity Correctionb
|
12.346
|
1
|
.000
|
|
|
|
Likelihood Ratio
|
12.386
|
1
|
.000
|
|
|
|
Fisher's Exact Test
|
|
|
|
.000
|
.000
|
|
Linear-by-Linear Association
|
12.412
|
1
|
.000
|
|
|
|
N of Valid Cases
|
64222
|
|
|
|
|
|
a. 0 cells (.0%) have expected count less than 5. The minimum
expected count is 6255.49.
|
|||||
|
b. Computed only for a 2x2 table
|
|||||
Hasil
pengujian dengan chi aquare ditemukan ada perbedaan proporsi responden yang
tidak berKB antara yang pernah dan tidak pernah memeriksakan kehamilan. Berarti
ada hubungan antara pemeriksaan kehamilan dengan keikutsertaan berKB.
contoh
selanjutnya:
(uji beda2 rata2
sampeltidak berpasanagn=independent sampel T tes):
Untuk mengetahui
hubungan antara pernah mendapat tablet Fe dengan kadar Hb saat hamil
Uji Beda Rata-rata (K-N,N-K)
contoh:
Untuk mengetahui hubungan antara
pernah mendapat tablet Fe dengan kadar Hb saat hamil .
Perintahnya:
analyze-compare means - independence sampel T-Test
Langkah 1 : sebagai independen variabel adalah Diberi Tablet Fe dan
variable independennya adalah kadar Hb saat hamil
Langkah 2 : Variabel Diberi
Tablet Fe dalam database nama fieldnya adalah TFe dan Variabel kadar hb setelah hamil nama fieldnya
adalah Hb2
Langkah 3 : Field Tfe adalah
data kategorik dan field Hb2 adalah data numeric
Langkah 4 : Uji yang akan dipakai adalahuji beda 2 rata-rata dengan
sampel tidak berpasangan (independence sampel T-Test). H0 Pengujiannya adalah
“Tidak ada perbedaan nilai rata-rata kadar Hb2 antara responden yang diberi
tablet Fe dengan rata-rata responden yang pernah mendapat tablet Fe”. Akan
dilakukan pengujian pada Confident Interval 95%.
|
|
|
|
|
Rumus H0 T TestIndependence adalah
: Tidak ada perbedaan rata-rata numerik variabel antarakelompok 1 dengan
rata-rata kelompok2 pada variabel kategorik
|
Langkah 5 : Data numerik (Hb2) dilakukan uji normality
menggunakan teknik Mean,Median,Modus dibantu
dengan
histogram dan Q-Q Plot serta Steam & Leaf hasilnya adalah Normal.
Langkah 6 : Rata-rata
ibu yang diberi tablet Fe 11.227, sedangkan yang tidak 11.118. Hasil uji T-Test
didapatkan p = 0.000, H0 ditolak. Jadi “Ada perbedaan nilai rata-rata kadar Hb2
antara responden yang diberi tablet Fe dengan rata-rata responden yang pernah
mendapat tablet Fe”.
Group Statistics
|
|||||
|
Diberi Tablet Fe
|
N
|
Mean
|
Std. Deviation
|
Std. Error Mean
|
|
|
Kadar HB saat Hamil
|
Tidak
|
3969
|
11.118
|
1.3314
|
.0211
|
|
Ya
|
44671
|
11.227
|
1.1030
|
.0052
|
|
|
Independent Samples
Test
|
||||||||||
|
Levene's Test for
Equality of Variances
|
t-test for Equality
of Means
|
|||||||||
|
95% Confidence
Interval of the Difference
|
||||||||||
|
F
|
Sig.
|
T
|
Df
|
Sig. (2-tailed)
|
Mean Difference
|
Std. Error Difference
|
Lower
|
Upper
|
||
|
Kadar HB saat Hamil
|
Equal variances
assumed
|
386.854
|
.000
|
-5.837
|
48638
|
.000
|
-.1086
|
.0186
|
-.1451
|
-.0721
|
|
Equal variances not assumed
|
-4.990
|
4465.214
|
.000
|
-.1086
|
.0218
|
-.1513
|
-.0659
|
|||
Ø
Sampel berpasangan è Paired T Test
Contoh:
Tujuan
Penelitian : Untuk mengetahui perbedaan
kadar Hb sebelum dan setelah hamil
Perintahnya:
analyze – comparative mean – paired T tests
Langkah
1 : sebagai independen variabel adalah
Kadar Hb sebelum hamil dan dependen variabelnya adalah Kadar Hb saat hamil
Langkah
2 : Variabel Kadar Hb sebelum hamil
dalam database nama fieldnya adalah HB1 dan Variabel Kadar Hb saat hamil nama fieldnya adalah Hb2
Langkah 3 : Field
Hb1 adalah data Numerik dan field Hb2 adalah data Numerik
Langkah 4 : Uji
yang akan dipakai adalah uji beda 2 rata-rata dengan sampel berpasangan (Paired
sampel T-Test). H0 Pengujiannya adalah “Tidak ada perbedaan nilai rata-rata
kadar hb1 dengan kadar Hb2”. Akan dilakukan pengujian pada Confident Interval
95%.
Langkah 5 : Data
numerik (Hb1) dilakukan uji normality menggunakan teknik Mean,Median,Modus
hasilnya Normal dilanjutkan dengan memissingkan data, hasinya tidak Normal.
Lalu dilanjutkan dengan uji Non parametrik Mann Whitney, hasilnya Normal. Data
Numerik (Hb2) dilakukan uji normality menggunakan teknik Mean,Median,Modus
dibantu oleh histogram dan QQ Plot hasilnya Normal.
Langkah 6 : Rata-rata
kadar Hb1 ibu 11.592, sedangkan kadar Hb2 11.226. Hasil uji T-Test didapatkan p = 0.000, H0
ditolak. Jadi “ada perbedaan nilai rata-rata kadar hb1 dengan kadar Hb2”.
Berarti ada hubungan
kadar Hb sebelum dan setelah hamil
|
Paired Samples
Statistics
|
|||||
|
Mean
|
N
|
Std. Deviation
|
Std. Error Mean
|
||
|
Pair 1
|
Kadar HB Sebelum Hamil
|
11.592
|
64143
|
.9697
|
.0038
|
|
Kadar HB saat Hamil
|
11.226
|
64143
|
1.1749
|
.0046
|
|
|
Paired Samples Correlations
|
||||
|
N
|
Correlation
|
Sig.
|
||
|
Pair 1
|
Kadar HB Sebelum Hamil
& Kadar HB saat Hamil
|
64143
|
.438
|
.000
|
|
Paired Samples Test
|
|||||||||
|
Paired Differences
|
t
|
df
|
Sig. (2-tailed)
|
||||||
|
Mean
|
Std. Deviation
|
Std. Error Mean
|
95% Confidence
Interval of the Difference
|
||||||
|
Lower
|
Upper
|
||||||||
|
Pair 1
|
Kadar HB Sebelum Hamil - Kadar HB saat Hamil
|
.3658
|
1.1498
|
.0045
|
.3569
|
.3747
|
80.580
|
64142
|
.000
|
b.
>2 Rata-rata è ANOVA
Contoh:
Tujuan
Penelitian : Untuk mengetahui hubungan
antara golongan darah dengan tekanan darah Sistolik
Perintahnya:
analyze – Compare Mean – one way anova
Langkah
1 : Sebagai
independen variabel adalah Golongan darah dan Dependen variabelnya adalah TD sistolik
Langkah
2 : Variabel Golongan Darah
dalam database nama fieldnya adalah darah dan
Variabel TD sistolik nama fieldnya adalah sistol
Langkah 3 : Field darah adalah data Kategorik dan field sistol
adalah data numerik
Langkah 4 : Uji
yang akan dipakai adalah uji beda lebih 2 rata-rata (Oneway Anova). H0 Pengujiannya
adalah “Tidak ada perbedaan rata-rata tekanan darah sistolik antara responden yang bergolongan
darah A, B, AB dan O”. Akan dilakukan pengujian pada
Confident Interval 95%.
Langkah 5 : Data
numerik (sistol) dilakukan uji normality menggunakan teknik mean, median , modus dinbantu dengan histogram dan
hasilnya normal.
Langkah 6 : Rata-rata ibu yang berpendidikan P. Tiggi lebih besar yaitu
26746.61 dibandingkan ibu berpendidikan SD,SLTP,dan SLTA. Hasil uji Anova
didapatkan p = 0.000, H0 ditolak. Jadi “ada perbedaan rata-rata frekuensi
pemeriksaan kehamilan antara responden yang berpendidikan SD,SLTP,SLTA dan
P.Tinggi”. Berarti ada hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan.
|
ANOVA
|
|||||
|
TD Sistolik
|
|||||
|
Sum of Squares
|
df
|
Mean Square
|
F
|
Sig.
|
|
|
Between Groups
|
21440,955
|
3
|
7146,985
|
70,385
|
,000
|
|
Within Groups
|
6512742,154
|
64139
|
101,541
|
||
|
Total
|
6534183,109
|
64142
|
|||
|
Multiple Comparisons
|
||||||||
|
TD Sistolik
Bonferroni
|
||||||||
|
(I) Goldar Ibu
|
(J) Goldar Ibu
|
Mean Difference (I-J)
|
Std. Error
|
Sig.
|
95% Confidence Interval
|
|||
|
Lower Bound
|
Upper Bound
|
|||||||
|
dimension2
|
1
|
dimension3
|
2
|
,482*
|
,116
|
,000
|
,18
|
,79
|
|
3
|
-,846*
|
,107
|
,000
|
-1,13
|
-,56
|
|||
|
4
|
,568*
|
,114
|
,000
|
,27
|
,87
|
|||
|
2
|
dimension3
|
1
|
-,482*
|
,116
|
,000
|
-,79
|
-,18
|
|
|
3
|
-1,328*
|
,113
|
,000
|
-1,63
|
-1,03
|
|||
|
4
|
,087
|
,119
|
1,000
|
-,23
|
,40
|
|||
|
3
|
dimension3
|
1
|
,846*
|
,107
|
,000
|
,56
|
1,13
|
|
|
2
|
1,328*
|
,113
|
,000
|
1,03
|
1,63
|
|||
|
4
|
1,414*
|
,111
|
,000
|
1,12
|
1,71
|
|||
|
4
|
dimension3
|
1
|
-,568*
|
,114
|
,000
|
-,87
|
-,27
|
|
|
2
|
-,087
|
,119
|
1,000
|
-,40
|
,23
|
|||
|
3
|
-1,414*
|
,111
|
,000
|
-1,71
|
-1,12
|
|||
|
*. The mean difference is
significant at the 0.05 level.
|
||||||||
3. Uji Korelasi
Contoh:
Tujuan
Penelitian: UntukMengetahui hubungan antara umur dengan kadar Hb setelah hamil.
Perintahnya
: analyze –corelate – bivariat.
Langkah
1 : Sebagai
independen variabel adalah Umur Ibu dan dependen variabelnya adalah kadar HB
setelah hamil
Langkah
2 : Variabel Umur
ibu dalam database nama fieldnya adalah
umur dan Variabel kadar hb setelah hamil nama
fieldnya adalah HB2
Langkah 3 : Field umur adalah data Numerik
dan field HB2 adalah data numerik
Langkah 4 : Uji
yang akan dipakai adalah uji hubungan (Korelasi). H0 Pengujiannya adalah “Tidak ada hubungan antara umur ibu dengan kadar
HB2”. Akan dilakukan pengujian pada
Confident Interval 95%.
Langkah 5 : Data numerik umur
dilakukan uji normality menggunakan teknik mean, median , modus hasilnya normal, lalu dinormalisasi
kembali dengan me-logkan umur, hasilnya Normal. Data numerik HB2 dilakukan uji
normality dengan mean, median, modus dibantu dengan histogram serta QQ Plot
hasilnya normal
Langkah 6 : Setiap kenaikan
1 tahun umur ibu diikuti dengan 0.007 mg/dl
kenaikan HB2
Setiap kenaikan 0.007 mg/dl HB2 diikuti dengan
kenaikan 1 tahun umur ibu.
|
Correlations
|
|||
|
logumur
|
Kadar HB saat Hamil
|
||
|
Logumur
|
Pearson Correlation
|
1
|
,007
|
|
Sig. (2-tailed)
|
,085
|
||
|
N
|
64143
|
64143
|
|
|
Kadar HB saat Hamil
|
Pearson Correlation
|
,007
|
1
|
|
Sig. (2-tailed)
|
,085
|
||
|
N
|
64143
|
64143
|
|
Tidak ada komentar:
Posting Komentar