LAPORAN UAS KOMPUTER LANJUT

1. NAMA            : SUCI EKA PUTRI

NIM                : 102114348

2. BERDASARKAN HASIL NIM SAYA (48), MAKA FILE YANG AKAN DIOLAH ADALAH DATA PENIMBANGAN MASSAL.
3. File hasil eksport Epidata ke SPSS berekstensi sav dengan nama file suci.sav
4. File syntax …..... dieksport ke SPSS dan disimpan dengan nama …..... dan ekstensi …..

File syntax dari DATA PENIMBANGAN MASSAL dieksport ke SPSS dan disimpan dengan nama suci.sps dan ekstensi sps

5. File data penimbangan massal berisi 39 field dan 8390 record. Data kategorik sebanyak 27 field dan data numerik sebanyak 12 field

6. ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain-lain' .

ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi' .

ADD VALUE LABELS sex 1 'Laki-laki' 2 'Perempuan' .

ADD VALUE LABELS pernah 1 'Pernah' 2 'Tidak' .

ADD VALUE LABELS fundus 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS tensi 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS Tfe 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS Itt 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS Akseptor 0 'Tidak' 1 'Ya' .

ADD VALUE LABELS Ksepsi 1 'IUD' 2 'Kondom' 3 'Pil' 4 'Susuk' 5 'Lain-lain' .

ADD VALUE LABELS Alasan 1 'Masih Ingin Punya Anak' 2 'Dilarang Suami' 3 'Tidak Sesuai Keyakinan' 4 'Lain-lain' .

ADD VALUE LABELS Rencana 1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5 'Lain-lain' .

7. Jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8382 record.
8. Jumlah field sebelum kerja yg missing adalah 8382 dan setelah field erja dicleaning adalah 8380 record
9. Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8380 record dan setelah dilakukan penghapusan field sistol yang missing tersisa 7133 record
10. Jumlah record sebelum di delete diastol yang missing adalah sebanyak 7133 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 7065 record
11. 2 digit terakhir NIM saya adalah : 48

1        digit terakhir adalah : Genap

13.Jumlah record tersisa setelah di delete sebanya 50 record mulai dari 2 digit NIM adalah 7012 record

       14. tabel distribusi frekuensi untuk variabel Pendidikan [didik]

                       

è dari data didapat bahwa berdasarkan pendidikan ibu yang paling banyak pendidikaan formalnya adalah SLTA

15.

DIDIK

  (0=1)  (2=1)  (3=2)  (4=2)  INTO  didik1 .

VARIABLE LABELS didik1 'pendidikan 2k'.

è didapat bahwa pendidikan ibu berdasarkan 2 kategori yang paling banyak adalah pendidikan tinggi

16. Lakukan cleaning data field kategorik lainnya seperti : darah, pernah, akseptor, alasan dan rencana seperti mengerjakan soal nomor 7 di atas

• Darah : mising 0, jumlah record 7012
• Pernah: mising 1, jumlah record sebelum: 7012, setelah cleaning: 7011

Akseptor : mising 5, jumlah record sebelum: 7011, setelah cleaning: 7006

Alasan: mising 4958, jumlah record sebelumnya : 7006, setelah cleaning: 2048

Rencana: mising 4, jumlah record sebelumnya: 2048, setelah cleaning: 2044

17. Lakukan cleaning data lanjutan untuk field di bawah ini dengan batasan sbb :

• Kadar Hb : 6,0 - 17,5 mg/dl
• Tinggi badan 135,0 - 180 cm

TIDAK ADA YANG DI CLEANING, data tetap 2029

•  Berat Badan : 35,0 - 80,0 kg

Mising: 6, jumlah record 2029, setelah di cleaning: 2023

                      

18. Langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete)

a.       distribusikan field pernah dan field kali

Yang pernah memeriksakan kehamilan harus sama jumlahnya dengan data valid pada tabel frekuensi pemeriksaan kehamilan. Sedangkan yang tidak memeriksakan kehamilan harus sama jumlahnya dengan jumlah missing pada tabel frekuensi pemeriksaan kehamilan.

b.      Dicari data yang tidak memeriksakan kehamilan, tetapi pada frekuensi kehamilan di isi frekuensi pemeriksaannya. Field pemeriksaan kehamilan di sort descending dan field frekuensi pemeriksaan kehamilan di sort descending.

c.       Maka didapatkan 42 data yang tidak memeriksakan kehamilan, tetapi mengisi frekuensi pemeriksaan kehamilan. Maka hasil tersebut di clear.

e.   Perubahan record yang terjadi : sesudah di cleaning 1981 record

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.      

Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi bila ada recor yang didelete.

Langkah-langkah :

a.    Distribusi frekuensikan antara pernah memeriksakan kehamilan dan 5T

b.   Maka hasil jumlah frekuensi dari missing 5T sama dengan jumlah frekuensi yang tidak memeriksakan kehamilan.

c.    Setelah dilihat, lalu sort cases pernah dan 5T dengan sort order semuanya di decending kan

d.   Maka didapatkan 16 record yang tidak konsisten sehingga harus di clear kan. Record sebelum di clear sebanyak 1981 dan jumlah record yang tersisa sebanyak 1965 record.

20. Lakukan cleaning data seperti soal 18 dan 19 untuk memeriksa konsistensi atara pertanyaan (field) akseptor, kontrasepsi dan alasan tidak ber-KB.

Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete)

               

a.       Distribusi frekuensikan akseptor, kontrasepsi, dan alas an

b.      Ketentuannya adalah jumlah yang memakai akseptor KB sama dengan jumlah jenis kontrasepsi yang dipakai dan jumlah missing pada alasan tidak menggunakan akseptor KB

c.       Maka dicari yang tidak menggunakan akseptor KB, tetapi memilih salah satu jenis akseptor yang dipakai serta tidak memberikan alasan. Field akseptor di sort ascending, field kontrasepsi di sort decending dan alasan di sort ascending.

Didapatkan record yang didelete sebanyak  7 karena tidak konsisten. Sehingga sisa record sebanyak 1958 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.

Pastekan semua syntax yang berhubungan dengan compute IMT dan pengkategoriannya disini, kemudian paste-kan output frekuensi kategori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output.

Hasil syntax yang berhubungan dengan compute IMT dan pengkategoriannya :

*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 .

KETERANGAN: berdasarkan tabel IMT ibu 5 kategorik diatas dapat disimpulkan bahwa IMT ibu yang tergolong normal berjumlah 1785 record, yang tergolong gemuk sebanyak 87 record dan yang tergolong kurus sebanyak 44 record.

KETERANGAN: berdasarkan tabel IMT anak 5 kategorik diatas dapat disimpulkan bahwa IMT anak 5 kategorik yang tergolong normal berjumlah 377 record, yang tergolong gemuk sebanyak 24 record dan yang tergolong kurus sebanyak 188 record.

KETERANGAN: berdasarkan tabel IMT ibu 3 kategorik diatas dapat disimpulkan bahwa IMT ibu yang tergolong normal berjumlah 1785 record, yang tergolong lebih sebanyak 121 record dan yang tergolong kurang sebanyak 52 record.

KETERANGAN: berdasarkan tabel IMT anak35 kategorik diatas dapat disimpulkan bahwa IMT anak yang tergolong normal berjumlah 377 record, yang tergolong kurang sebanyak 1482 record dan yang tergolong lebih sebanyak 99 record.

ANALISIS BIVARIAT

Lakukanlah analisis bivariate dengan mengacu pada tujuan penelitian yang akan dicantumkan di bawah ini. Pengujian dilakukan pada confidence interval 95%. Lakukan langkah-langkah pengujian menggunakan 7 langkah praktis analisis bivariat. Untuk masing-masing tujuan penelitian sajikan hasilnya sebagai berikut :

1.      Tujuan Penelitian : Mengetahui hubungan antara pendidikan ibu dengan jenis pekerjaan yang dimiliki

• Identifikasi variabel dalam tujuan : Independen variabel adalah pendidikan dan dependen variabel adalah jenis pekerjaan yang dimiliki.
• Idenfifikasi field dalam database : tingkat pendidikan nama fieldnya didik dan frekuensi pemeriksaan kehamilan nama fieldnya adalah 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 relevansnya adalah makin tinggi pendidikan ibu makin tinggi pekerjaan ibu. H0: Tidak ada perbedaan proporsi antara tingkat pendidikan dengan jenis pekerjaan ibu.
• Lakukan Uji, baca hasil dan interpretasikan

Bahas hasil yang didapat dengan membandingkan dengan teori yang relevans dan penelitian terdahulu.

·         Kesimpulan: P<0,05 maka H0 ditolak. 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 Perguruan Tinggi memiliki jenis pekerjaan sebagai PNS berjumlah 328 responden.

2.      Tujuan Penelitian : Mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih ibu untuk ber-KB

• Identifikasi variabel dalam tujuan : Independen variabel adalah pekerjaan dan dependen variabel adalah alat kontrasepsi yang dipilih.
• Idenfifikasi field dalam database : tingkat pendidikan nama fieldnya kerja dan frekuensi pemeriksaan kehamilan nama fieldnya adalah 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 relevansnya adalah makin tinggi pekerjaan ibu makin bagus alat kontrasepsi yang digunakan. H0: Tidak ada perbedaan proporsi antara jenis pekerjaan ibu dengan alat kontrasepsi yang dipilih.
• Lakukan Uji, baca hasil dan interpretasikan

Bahas hasil yang didapat dengan membandingkan dengan teori yang relevans dan penelitian terdahulu.

·         Kesimpulan: P<0,05 maka H0 ditolak. Ada perbedaan proporsi antara tingkat pendidikan dengan jenis pekerjaan ibu. Dari hasil uji chi-square di atas di dapatkan bahwa makin tinggi jenis pekerjaan yang dimiliki ibu maka lebih bagus alat kontrasepsi yang digunakan. Ini di tandai dengan jumlah sampel yang pekerjaannya SWASTA memakai alat kontrasepsi PIL berjumlah 17 responden.

3.      Tujuan Penelitian : Mengetahui hubungan antara pemberian tablet Fe dengan kadar Hb dalam darah.

• Identifikasi variabel dalam tujuan : Independen variabel adalah pemberian tablet Fe dan dependen variabel adalah kadar Hb.
• Idenfifikasi field dalam database : pemeberian tablet Fe nama fieldnya tfe dan kadar Hb dalam darah nama fieldnya adalah Hb.
• Tentukan karakteristik field : Field tfe adalah data kategorik (K) dan field Hb merupakan data numerik (N)
• Tentukan jenis uji, teori yg relevans dan H0 pengujian : Uji yang dipakai adalah uji independent sample t-test. Teori yg relevansnya adalah ibu yang mendapatkan tablet Fe maka kadar Hb ibu akan baik dan normal. H0: Tidak ada perbedaan rata-rata antara Pemberian tablet Fe dengan kadar Hb dalam darah.
• Lakukan Uji, baca hasil dan interpretasikan. “Weight” numeric : Uji Normality.

ü  Distribusi Deskriptif Data                   à Normal

ü  Normal Q-Q Plot                                à Normal

ü  Hi-Low close                                      àTidak Normal

ü  Histogram                                           à Normal

ü  Skeweness                                           àNormal

ü  Steam-Leaf                                         àNormal

·         Kesimpulan : P<0,05 maka H0 ditolak. Ada perbedaan rata-rata antara pemberian tablet Fe dengan kadar Hb dalam darah. Dari hasil uji independent sample T-test di atas di dapatkan bahwa ibu  yang mendapatkan tablet Fe maka kadar Hbnya baik/ normal.

4.      Tujuan Penelitian : Mengetahui hubungan tingkat pendidikan dengan frekuensi pemeriksaan kehamilan.

• Identifikasi variabel dalam tujuan : Independen variabel adalah tingkat pendidikan dan dependen variabel adalah frekuensi pemeriksaan kehamilan.
• Idenfifikasi field dalam database : tingkat pendidikan nama fieldnya didik dan frekuensi pemeriksaan kehamilan nama fieldnya adalah kali.
• Tentukan karakteristik field : Field didik adalah data kategorik (K) dan field kali merupakan data numerik (N)
• Tentukan jenis uji, teori yg relevans dan H0 pengujian : Uji yang dipakai adalah uji anova. Teori yg relevansnya adalah makin tinggi tingkat pendidikan ibu makin sering ibu melakukan pemeriksaan kehamilan. H0: Tidak ada perbedaan rata-rata yang signifikan antara frekuensi pemeriksaan kehamilan dengan tingkat pendidikan ibu.
• Lakukan Uji, baca hasil dan interpretasikan. “Kali” numeric : Uji Normality.

ü  Distribusi Deskriptif  Data                  à Normal

ü  Normal Q-Q Plot                                àTidak Normal

ü  Hi-Low close                                      àNormal

ü  Histogram                                           àTidak Normal

ü  Skeweness                                           àTidak Normal

ü  Steam-Leaf                                         àTidak Normal

·         Kesimpulan : Jadi dari hasil uji normality tidak bisa memakai uji ANOVA karena hasil yang didapatkan TDK NORMAL sehingga di uji dg Kruskal wallis dimana P<0,05 sehingga H0 ditolak berarti Ada perbedaan rata-rata yang signifikan antara frekuensi pemeriksaan kehamilan dengan tingkat pendidikan ibu (SD, SMP, SMA, PT)

5.      Tujuan Penelitian : 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 nama 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. Teori yg relevansnya adalah Makin tinggi umur ibu makin tinggi tekanan darah sistol ibu. H0: Tidak ada korelasi antara umur ibu dengan tekanan darah sistolik

 Lakukan Uji, baca hasil dan interpretasikan.  Uji Normality.

ü  Distribusi Deskriptif Dataà TD

ü  Normal Q-Q Plot àumur ibu Normal, TD sistolik Tidak Normal

ü  Hi-Low close       àumur ibu Normal, TD sistolik Tidak Normal

ü  Histogram           àTN

ü  Skeweness           àumur Ibu Normal, Td sistolik Tidak Normal

ü  Steam-Leaf         àTN

Karena Uji korelasi Pearson Tidak Normal maka dilanjutkan dengan uji korelasi Spearmans.

·         Kesimpulan :

Dari hasil diatas diperoleh nilai  sicnifycancy 0.000 yang berarti bahwa korelasi antara umur ibu dengan dengan tekanan darah sistolik adalah bermakna dengan nilai korelasi spearman adalah 0.089 menunjukkan bahwa arah korelasi positif dengan kekuatan lemah.

WHO ANTRO

Status Gizi (BB/TB)
		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	Sangat Kurus	393	21.0	21.0	21.0
	Kurus	129	6.9	6.9	27.9
	Normal	938	50.2	50.2	78.1
	Gemuk	409	21.9	21.9	100.0
	Total	1869	100.0	100.0

KET: Status gizi (BB/TB) yang tergolong sangat kurus sebanyak 393 orang, kurus sebanyak 129 orang, normal 938 orang, gemuk sebanyak 409 orang.

Status Gizi (TB/U)
		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	Sangat Pendek	534	28.6	28.6	28.6
	Pendek	143	7.7	7.7	36.3
	Normal	879	47.1	47.1	83.4
	Tinggi	310	16.6	16.6	100.0
	Total	1866	100.0	100.0

KET: Status gizi (TB/U) yang tergolong sangat pendek sebanyak 534 orang, pendek sebanyak 143 orang, normal 879 orang,  tinggi sebanyak 310 orang.

Status Gizi (BB/U)
		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	Gizi Buruk	423	22.7	22.7	22.7
	Gizi Kurang	121	6.5	6.5	29.2
	Gizi Baik	1083	58.0	58.0	87.2
	Gizi Lebih	239	12.8	12.8	100.0
	Total	1866	100.0	100.0

KET: Status gizi (BB/U) yang tergolong gizi buruk sebanyak 423 orang, gizi kurang sebanyak 121 orang, gizi baik 1083 orang, gizi lebih sebanyak 239 orang

Sifat Akut dan Kronis
		Frequency	Percent	Valid Percent	Cumulative Percent
Valid	Akut&Kronis	206	11.1	11.1	11.1
	Kronis	345	18.7	18.7	29.8
	Akut	192	10.4	10.4	40.2
	Normal	1105	59.8	59.8	100.0
	Total	1848	100.0	100.0

KET: sifat akut dan kronis yang tergolong akut&kronis sebanyak 206 orang, kronis sebanyak 345 orang, akut 192 orang, normal sebanyak 1105 orang.

  

LANJUTAN......