LAPORAN UAS KOMPUTER
1. Nama
: Novela Hustama Putri
NIM
: 102114328
2. Berdasarkan angka NIM terakhir saya,
maka file yang akan diolah adalah GENAP
3. File hasil eksport Epidata ke SPSS
berekstensi sav dengan nama file genap.sav
4. File syntax genap dieksport ke SPSS dan disimpan dengan nama Novela Hustama Putri dan ekstensi SPSS(*.sav)
5. File data [Novela Hustama Putri] berisi 39
field dan 8390 record. Data
kategorik sebanyak 27 field dan data
numerik sebanyak 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,
kseps,i alasan, dan rencana
7. Periksa field Pendidikan [didik]. Jika
ditemukan data yang missing atau jenis kategori selain dari yg legal, delete
record yg missing tersebut
Catat disini 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
Jumlah field 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
Jumlah record 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
darah diastolik [diastol] dengan batasan 60-150 mmHg
Jumlah record sebelum di delete diastol yang missing adalah
sebanyak 7127 record dan setelah
dilakukan penghapusan field diastol yang missing tersisa 6956 record
11. 2 digit terakhir NIM saya adalah : 28
1 digit terakhir adalah : 8
Genap
12. untuk soal ganjil
13. Sort field berat badan ibu [bb] dengan sort order decending.
Delete sebanyak 50 record dimulai dari record 2 digit NIM Anda
Genap :
Jumlah record tersisa setelah di delete sebanya 50 record mulai
dari 2 digit NIM adalah 6906 record
14. Buat tabel distribusi frekuensi untuk variabel Pendidikan
[didik] dan berikan komentar singkat !
Pendidikan Formal Ibu
Frequency
|
Percent
|
Valid
Percent
|
Cumulative
Percent
|
||
Valid
|
BH/SD
|
197
|
2.9
|
2.9
|
2.9
|
| SLTP |
730
|
10.6
|
10.6
|
13.4
|
|
| SLTA |
2984
|
43.2
|
43.2
|
56.6
|
|
| P.Tinggi |
2995
|
43.4
|
43.4
|
100.0
|
|
| Total |
6906
|
100.0
|
100.0
|
||
Berdasarkan
tabel diatas, Pendidikan ibu terbanyak adalah perguruan tinggi yaitu sebanyak
43.4 %, sedangkan pendidikan ibu yang paling sedikit adalah BH/SD yaitu
sebanyak 2.9%
15. Sederhanakan kategori pendidikan menjadi tinggi dan rendah,
dimana pendidikan tinggi adalah SLTA ke atas. Pastekan lebih dulu perintah
transformasi ke syntax sebelum di OK-kan atau sebelum di-run
kemudian hitung distribusi frekuensi kategori pendidikan yang sudah
disederhanakan tersbut.
Syntax :
*Penyederhanaan Kategori Pendidikan .
RECODE
DIDIK
(0=0) (2=0) (3=1) (4=1)
INTO didik2 .
VARIABLE LABELS didik2 'pendidikan ibu berdasarkan tingkat
kategori'.
ADD VALUE LABELS
didik2 0 'Rendah' 1 'Tinggi'.
EXECUTE .
Pendidikan Ibu Berdasarkan Tingkat Kategori
Frequency
|
Percent
|
Valid
Percent
|
Cumulative
Percent
|
||
Valid
|
Rendah
|
927
|
13.4
|
13.4
|
13.4
|
Tinggi
|
5979
|
86.6
|
86.6
|
100.0
|
|
Total
|
6906
|
100.0
|
100.0
|
||
Berdasarkan
tabel diatas, ibu yang berpendidikan rendah sebanyak 13.4% , sedangkan ibu yang
berpendidikan tinggi sebanyak 86.6%.
16. Lakukan cleaning data field kategorik lainnya seperti : darah,
pernah, akseptor, alasan dan rencana seperti mengerjakan soal nomor 7 di atas
Darahà sebelum : 6906
, sesudah : 6902
Pernahà sebelum : 6902,
sesudah : 6901
Akseptorà sebelum : 6901,
sesudah : 6895
akseptor, alasan à sebelum : 6895, setelah : 6768
rencanaà sebelum : 6768,
sesudah : 6711
17. Lakukan
cleaning data lanjutan untuk field di bawah ini dengan batasan sbb :
·
Hb
à sebelum : 6711, sesudah : 6692
·
Tinggi
badan à sebelum : 6692, sesudah : 6689
·
Berat
Badan à sebelum : 6689, sesudah : 6673
18. Lakukan
langkah cleaning data terakhir untuk melihat konsistensi (taat azaz) 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
Jumlah
record sebelum cleaning : 6673,
sesudah cleaning : 6515
Langkah :
·
Distribusi frekuensikan
field pernah dengan frekuensi pemeriksaan kehamilan (field kali)
·
Ibu yang pernah
memeriksakan kehamilan field kali akan terisi berapa kali ibu pernah
memriksakan kehamilan, sedangkan ibu yang tidak pernah memeriksakan kehamilan
frekuensinya harus kosong.
·
Sort field pernah dan
field kali
·
Apabila ada yang tidak
sesuai, clear data yang tidak sesuai tersebut
19. Lanjutkan
cleaning data seperti soal no. 18 di atas dengan memeriksa konsistensi antara
pernah memeriksakan kehamilan dengan mendapatkan 5T. Ketentuannya adalah yang
ditanya apakah mendapatkan pelayanan 5T hanyalah yang pernah memeriksakan
kehamilan saja. Berarti yang menjawab Ya dan Tidak pada 5 T harus sama dengan
yang pernah memeriksakan kehamilan
LANGKAH LANGKAH MELAKUKANNYA:
·
Pilih data dan klik sort casess masukka field pernah
memeriksakan kehamilan dengan pemerikasaan 5T.pilih descendingapabila dia
pernah memeriksakan kehamilan paling kurang pemeriksaan 5T dilakukan 1
kali.apabila pemeriksaan kehamilan ada tapi pemeriksaan 5T tidak ada berarti
missing.
·
Recort yang tersisa setelah cleaning 6515 record
KESIMPULAN : yang menjawab Ya dan Tidak pada 5 T
harus sama dengan yang pernah memeriksakan kehamilan
20. Lakukan cleaning data seperti soal 18 dan 19 untuk memeriksa
konsistensi atara pertanyaan (field) akseptor, kontrasepsi dan alasan tidak
ber-KB
LANGKAH-LANGKAH
·
Pilih data dan klik sort
casess masukka field Aseptor ,kontrasepsi dan alasan tidak berKB .
·
Apabila dia memakai aseptor
minimal kontrasepsinya 1 dan alasan tidak ber KB tidak ada.apabila menggunakan
aseptor tapi ada alasan tidak berKB berarti missing.kalau memakai aseptor tapi
alat kontrasepsi tidak ada berarti mising.
·
Sisa data setelah clining 6515 record.
21. Transformasi
data (compute)
Hitung IMT Ibu dan IMT Anak, kemudian kategorikan menjadi
5 kategori dan 3 kategori masing-masingnya. terakhir hitung prevalensi
masing-masing kategori.
Syntax
*Perhitungan IMT Ibu Hamil .
COMPUTE IMTi = bb / ((tb/ 100) * (tb/ 100)) .
VARIABLE LABELS IMTi 'IMT ibu hamil' .
EXECUTE .
*Perhitungan IMT anak .
COMPUTE IMTa = weight / ((height/ 100) * (height/ 100)) .
VARIABLE LABELS IMTa 'IMT anak balita' .
EXECUTE .
*Pengelompokkan IMT Ibu Hamil .
RECODE
IMTi
(Lowest thru 16.999=1) (17.0 thru 18.49999=2)
(18.5 thru 25.00=3) (25.001 thru 27.0=4) (27.001 thru
Highest=5) INTO
IMTi5 .
VARIABLE LABELS IMTi5 'IMT ibu hamil'.
ADD VALUE LABELS IMTi5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5
'Obesitas' .
EXECUTE .
*Pengelompokka IMT anak .
RECODE
IMTa
(Lowest thru 16.999=1) (17.0 thru 18.49999=2)
(18.5 thru 25.00=3) (25.001 thru 27.0=4) (27.001 thru
Highest=5) INTO
IMTa5 .
VARIABLE LABELS IMTa5 'IMT anak dalam 5 kategori'.
ADD VALUE LABELS IMTa5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5
'Obesitas' .
EXECUTE .
*Pengelompokkan IMT ibu hamil dalam 3 kategori .
RECODE
IMTi5
(1=1) (2=1) (3=2) (4=3)
(5=3) INTO IMTi3K .
VARIABLE LABELS IMTi3K 'IMT ibu dalam 3 kategori'.
ADD VALUE LABELS IMTi3K 1 'Kurang' 2 'Normal' 3 'Lebih' .
EXECUTE .
*Pengelompokkan IMT anak dalm 3 Kategori .
RECODE
IMTa5
(1=1) (2=1) (3=2) (4=3)
(5=3) INTO IMTa3K .
VARIABLE LABELS IMTa3K 'IMT anak dalam 3 Kategori'.
ADD VALUE LABELS IMTa3K 1 'Kurang' 2 'Normal' 3 'Lebih' .
EXECUTE .
ANALISIS BIVARIAT
1.
Untuk mengetahui
hubungan antara pendidikan dengan pekerjaan yang dimiliki responden
· Identifikasi
variable dalam tujuan : Independen variable adalah tingkat pendidikan dan
dependen variable adalah jenis pekerjaan yang dimiliki.
·
Idenfifikasi
field dalam database :tingkat pendidikan nama fieldnya didik dan frekuensi pekerjaan
yang dimiliki nama fieldny
aadalah kerja.
· Tentukan
karakteristik field : Field didik adalah data kategorik (K) dan field kerja
juga merupakan data kategorik (K)
· Tentukan
jenis uji, teori yg relevans dan H0 pengujian :Uji yang dipakai adalah uji chi
square. Teori yg relevans nya adalah makin tinggi pendidikan ibu makin tinggi
pekerjaan ibu.. H0: Tidak ada perbedaan
proporsi antara tingkat pendidikan dengan jenis pekerjaan ibu.
·
LakukanUji,
baca hasil dan interpretasikan
Dari
hasil uji didapatkan P = 0,000 dan P<0,05 maka H0 ditolak.
Kesimpulan : Ada perbedaan proporsi antara tingkat
pendidikan dengan jenis pekerjaan ibu. Dari hasil uji chi-square di
atas di dapatkan bahwa makin tinggi tingkat pendidikan ibu makin tinggi jenis
pekerjaan yang dimiliki. Ini di tandai dengan jumlah sampel yang berpendidikan
PerguruanTinggi memiliki jenis pekerjaan sebagai PNS berjumlah 1695 ibu.
2.
Untuk
mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih
Ibu untuk ber-KB2.
·
Identifikasi
variable dalam tujuan : Independen variable adalah jenis pekerjaan yang
dimiliki dan dependen variable adalah alat kontrasepsi yang dipilih ibu
untuk ber-KB.
·
Idenfifikasi
field dalam database : jenis pekerjaan nama fieldnya kerja dan frekuensi pemeriksaan kehamilan nama fieldny aadalah ksepsi.
· Tentukan
karakteristik field : Field kerja adalah data kategorik (K) dan field ksepsi juga merupakan data kategorik (K)
· Tentukan
jenis uji, teori yg relevans dan H0 pengujian :Uji yang dipakai adalah uji
chi square. Teori yg relevans nya adalah makin tinggi pendidikan pekerjaan
ibu makin baik
pemilihan jenis kontrasepsi ibu. H0: Tidak ada perbedaan
proporsi antara tingkat pekerjaan
ibu dengan jenis
kontrasepsi yang dipilih.
·
LakukanUji,
baca hasil dan interpretasikan
Dari hasil uji didapatkan P = 0,000 dan
P<0,05 maka H0 ditolak. Kesimpulan : Ada perbedaan proporsi antara tingkat
pekerjaan dengan jenis kontrasepsi yang dipilih ibu. Kontrasepsi yang banyak
digunakan oleh ibu yang memiliki pekerjaan sebagai PNS adalah IUD yaitu
sebanyak 525.
3.
Untuk
mengetahui hubungan antara pemberian tablet Fe dengan kadar hemoglobin dalam
darah
·
Identifikasi field dalam database :
pemberian tablet Fe fieldnya
pernah (variabel independen), kadar hb dalam darah fieldnya hb (variabel
dependen).
·
Field
pernah adalah data
kategorik (K) dan field hb adalah data numerik (N)
·
Ujinya adalah Uji beda rata-rata
·
Teori
yg relevan : Ibu yg dapat table Fe, kadar Hbnya akan lebih baik dari yg tidak
dpt tfe
H0 : Tidak perbedaan rata2 kadar Hb ibu
dapat dan tidak dapat tablet Fe
·
Karena Hb adalah data numerik maka
dilakukan uji normality.
·
Dari hasil uji normality didapatkan data
berdistribusi normal, dan uji yang cocok adalah ANOVA
Hasil uji anova didapatkan hasil : P =
0,678 dan P > 0,05
Kesimpulan : H0 diterima à Tidak ada perbedaan rata2 kadar Hb ibu dapat dan
tidak dapat tablet Fe
4.
Untuk
mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan
·
Identifikasi field dalam database :
pendidikan fieldnya didik (variabel independen), frekuensi pemeriksaan
kehamilan fieldnya kali (variabel dependen).
·
Field
didik adalah data
kategorik (K) dan field kali adalah data numerik (N)
·
Ujinya adalah Uji beda rata-rata
· Teori
yg relevan : Makin tinggi tingkat pendidikan ibu, makin tinggi frekuensi
pemeriksaan kehamilannya
·
H0
: Tidak perbedaan rata2 frekuensi pemeriksaan kehamilan antara berbagai tingkat
pendidikan ibu
·
Karena kali adalah data numerik maka
dilakukan uji normality.
· Dari hasil uji normality didapatkan data
berdistribusi tidak normal, uji yang cocok adalah Kruskall Wallis
Hasil uji
didapatkan hasil : P = 0,004 dan P < 0,05
Kesimpulan : H0 ditolak à ada perbedaan rata2 frekuensi pemeriksaan kehamilan antara berbagai tingkat pendidkan ibu.
Kesimpulan : H0 ditolak à ada perbedaan rata2 frekuensi pemeriksaan kehamilan antara berbagai tingkat pendidkan ibu.
5.
Untuk
mengetahui hubungan antara umur ibu dengan tekanan darah sistolik
·
Identifikasi
variabel dalam tujuan : Independen variabel adalah umur ibu dan dependen
variabel adalah tekanan darah sistolik.
·
Idenfifikasi field
dalam database : umur ibu nama fieldnya umur dan tekanan darah sistolik
fieldnya adalah sistol.
·
Tentukan
karakteristik field : Field umur adalah data numerik (N) dan field sistol merupakan
data numerik (N)
·
Tentukan jenis uji,
teori yg relevans dan H0 pengujian : Uji yang dipakai adalah uji korelasi
spearman.
·
Lakukan Uji, baca
hasil
Kesimpulan : Dari hasil uji korelasi spearman hasil
signifikansi didapat 0.000 yang berarti bahwa korelasi antara umur ibu dan
tekanan darah sistolik adalah bermakna dengan nilai korelasi speartman 0,166.
WHO
Setelah yang missing di Cleaning…
PREVALENSI STATUS GIZI :
1.
Berdasarkan Pengkategorian Status Gizi (BB/TB) terdapat 1272 orang
Sangat Kurus (19,5%), 389 Kurus (6.0%), 3061 Normal (47.0%), 1376 Gemuk (23%), dan
totalnya sebanyak 6098 record.
2.
Berdasarkan Pengkategorian Status Gizi (BB/TU) terdapat 1549 orang
Sangat Pendek (23.8%), 474 Pendek (7.3 %), 3061 Normal (47.0%), 1406 Tinggi
(21.6%), dan totalnya sebanyak 6098 record.
3.
Berdasarkan Pengkategorian Status Gizi (BB/U) terdapat 1418 orang
Gizi Buruk (21.8%), 399 gizi Kurang (6.1%), 3692 Gizi Baik (56.7%), 986 Gizi
lebih (15.1%), dan totalnya sebanyak 6098 record.
PREVALENSI SIFAT MASALAH GIZI (AKUT&KRONIS, KRONIS,
AKUT, DAN NORMAL)
:
Berdasarkan Pengkategorian Sifat Akut dan Kronis terdapat 557 orang Akut dan
Kronis (9.2%), 1001 Kronis (16.6%), 666 Akut 11.0%), 3874 Normal (63.5%), dan totalnya sebanyak 6098
record.
