UAS KOMPUTER

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. 

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.

Lihat selengkapnya.....