LANGKAH-LANGKAH
- Export File epidata ke SPSS
- Buka epidata
- Klik export data pilih SPSS
- Cari file data yang akan dieksport
- Klik OK
- Buka SPSS
- Klik open
- Buka Syntax
- Pilih File data
- Ctrl+A data yang ada di syntax
- Pilih Run à All
- Lakukan penamaan variabel dan value labels dengan menggunakan syntax
· Ambil syntax dan tambahkan ADD Value Labels sesuai dengan ketentuan.
· Block data lalu pilih RUN à current
- Lakukan pembersihan data (cleaning data) terhadap file
§ Hapus field Hari ini, Urut, Entri, KLS dan Jurusan pada variable view
a) Cleaning Data Variabel Kategorik
- Klik Analyze
- Pilih Descriptive Statistic
- Pilih Frequencies
- Pilih variabel yang akan dilakukan cleaning data
- Pilih Data
- Pilih Sort Cases
- Pilih variabel yang akan dilakukan cleaning data
- Pilih Ascending
- Klik Ok
- Lakukan pembersihan data terhadap file yang missing
v Variable Kategorik terdiri dari:
· Pekerjaan
· Pendidikan
· Golongan Darah
· Pernah periksa kehamilan
· Pengukuran Tinggi Fundus
· Pengukuran Tinggi Badan
· Pengukuran Tekanan Darah
· Pemberian Tablet Fe
· Imunisasi TT
· Akseptor KB
· Kontrasepsi yang digunakan
· Kontrasepsi lain
· Alasan tidak ber-KB
· Alasan lain tidak ber-KB
· Rencana tempat melahirkan
1. Pekerjaan
Terdapat 16 data yang missing dari system, sehingga setelah dihapus data menjadi 16271.
2. Pendidikan
Terdapat 2 data missing dari system, tetapi pada pendidikan terdapat 2 data yang tidak valid karena menggunakan angka “1” dan 2 data menggunakan angka ‘5’ pada pendidikan. Seharusnya hanya ada angka “BH/SD”, “SLTP”, “SLTA” dan “P.Tinggi” pada pendidikan. Setelah dicleaning data menjadi 16265.
3. Golongan Darah
Tidak terdapat data missing dari system, tetapi pada pendidikan terdapat 17 data yang tidak valid karena menggunakan angka “0” , 3 data menggunakan angka ‘1’, 1 data menggunakan “12”, 1 data menggunakan “13” ,1 data menggunakan “76” dan 1 data menggunakan “O]” pada golongan darah. Seharusnya hanya ada “A”, “B”, “AB” dan “O” pada golongan darah. Setelah dicleaning data menjadi 16240.
4. Pernah periksa kehamilan
Terdapat 1 data missing dari system, tetapi pada pendidikan terdapat 99 data yang tidak valid karena menggunakan “tidak” pada pernah memeriksa kehamilan. Seharusnya hanya ada angka “Ya”, dan “Tidak” pada pernah memeriksa kehamilan. Setelah dicleaning data menjadi 16140.
5. Pengukuran Tinggi Fundus
Terdapat 90 data missing dari system, tetapi pada pendidikan terdapat 3 data yang tidak valid karena menggunakan “3” pada pernah memeriksa kehamilan. Seharusnya hanya ada angka “tidak pernah”, dan “pernah” pada pengukuran TFU. Setelah dicleaning data menjadi 16049.
6. Pengukuran Tinggi Badan
Terdapat 16 data yang missing dari system, sehingga setelah dihapus data menjadi16033.
7. Pengukuran Tekanan Darah
Terdapat 2 data yang missing dari system, sehingga setelah dihapus data menjadi 16031.
8. Pemberian Tablet Fe
Terdapat 2 data yang missing dari system, sehingga setelah dihapus data menjadi 16029.
9. Imunisasi TT
Terdapat 28 data yang missing dari system, sehingga setelah dihapus data menjadi 16001.
10. Akseptor KB
Terdapat 9 data missing dari system, tetapi pada akseptor KB terdapat 1 data yang tidak valid karena menggunakan “2” pada akseptor KB. Seharusnya hanya ada angka “tidak”, dan “Ya” pada akseptor KB. Setelah dicleaning data menjadi 15991.
11. Kontrasepsi yang digunakan
12. Kontrasepsi lain
13. Alasan tidak ber-KB
14. Lain2 (N6D)
Setelah data di cleaning berjumlah 15426.
15. Rencana tempat melahirkan
Jumlah data setelah di cleaning berjumlah 15343.
b) Cleaning Data Variabel Numerik
- Klik Analyze
- Pilih Descriptive Statistic
- Pilih Frequencies
- Pilih variabel yang akan dilakukan cleaning data
· Pilih Data
· Pilih Sort Cases
· Pilih variabel yang akan dilakukan cleaning data
· Pilih Ascending
· Klik Ok
· Lakukan pembersihan data terhadap file yang missing
Variable Numerik terdiri dari:
· Umur : 15-45 tahun (batasannya)
· Tinggi Badan : 140-180 cm (batasannya)
· Berat Badan : 40-80 kg (batasannya)
· TD Sistolik : 100-170 mmHg (batasannya)
· TD Diastol : 50-120 mmHg (batasannya)
· Hb : 8-14 gr% (batasannya)
1. Umur ibu
Terdapat 28 data yang missing dari system, sehingga setelah dihapus data menjadi 15917.
2.Tinggi Badan
Terdapat 0 data yang missing dari system, sehingga setelah dihapus data menjadi 15917.
2.
3. 3. Berat Badan
Terdapat 0 data yang missing dari system, sehingga setelah dihapus data menjadi 15917
4.Tekanan darah sistolik
Terdapat 54 data yang missing dari system, sehingga setelah dihapus data menjadi 15863.
5. Tekanan Diastolik
Terdapat 17 data yang missing dari system, sehingga setelah dihapus data menjadi 15846.
6. Kadar HB
Terdapat 5 data yang missing dari system, sehingga setelah dihapus data menjadi 15841
|
c) Analisis Univariat salah satu Variabel Kategorik (Pendidikan)
Statistics
Pendidikan Formal Ibu :
| N | Valid | 15841 |
| Missing | 0 | |
| Mean | 3.11 | |
| Median | 3.00 | |
| Mode | 3 | |
| Std. Deviation | .843 | |
| Skewness | -1.384 | |
| Std. Error of Skewness | .019 | |
| Minimum | 0 | |
| Maximum | 5 | |
Pendidikan Formal Ibu :
| | Frequency | Percent | Valid Percent | Cumulative Percent | |
| Valid | 0 | 466 | 2.9 | 2.9 | 2.9 |
| 1 | 2 | .0 | .0 | 3.0 | |
| 2 | 2066 | 13.0 | 13.0 | 16.0 | |
| 3 | 8143 | 51.4 | 51.4 | 67.4 | |
| 4 | 5163 | 32.6 | 32.6 | 100.0 | |
| 5 | 1 | .0 | .0 | 100.0 | |
| Total | 15841 | 100.0 | 100.0 | | |
Terdapat 0 data yang missing dari system, sehingga setelah dihapus data menjadi 15841
Descriptive Statistics
| | N | minimum | Maximum | Maen | Std | skweness |
| Statistic | Statistic | Statistic | Statistic | Statistic | Std. Error | |
| Umur Ibu (tahun) | 15841 | 15 | 45 | 28.01 | 4.754 | .019 |
| Tinggi Badan (cm) : | 15841 | 2.0 | 183.0 | 158.859 | 7.5729 | .019 |
| Berat Badan (kg) : | 15841 | .0 | 89.0 | 56.228 | 8.0916 | .019 |
| mmHg Diastolik : | 15841 | 0 | 990 | 86.20 | 50.069 | .019 |
| Tekanan Darah : Sistolik : | 15841 | 10 | 909 | 117.25 | 20.538 | .019 |
| Kadar HB (mmHg) : | 15841 | 1.0 | 18.2 | 11.614 | 1.0060 | .019 |
| Valid N (listwise) | 15841 | | | | | |
d) Transformasi Data Variabel Kategorik
1. Pekerjaan
Langkah-langkahnya:
Ø Klik Transform
Ø Pilih Recode
Ø Pilih Into Different Variables
Ø Pada kotak masukkan variable pekerjaan
Ø Ubah nama output variable dengan “kerja2”
Ø Ubah nama label output variable dengan “pekerjaan”
Ø Klik Change
Ø Klik Old and New Values
Ø Masukkan angka 1, 2, 3, 4, 5 pada Old values menjadi angka 1 pada new values
Ø Masukkan angka 6 pada Old values menjadi angka 0 pada new values
Ø Klik Continue
Ø Klik Paste
Ø Buka Syntax
Ø Tambahkan kalimat “ADD VALUE LABELS Kerja2 0 'Tidak Bekerja' 1 'Bekerja' .” setelah kalimat “VARIABLE LABELS kerja2 'pekerjaan'.:
Ø Blok paragraph
Ø Run All
2. Pendidikan
Langkah-langkahnya:
Ø Klik Transform
Ø Pilih Recode
Ø Pilih Into Different Variables
Ø Pada kotak masukkan variable pendidikan
Ø Ubah nama output variable dengan “didik2”
Ø Ubah nama label output variable dengan “pendidikan”
Ø Klik Change
Ø Klik Old and New Values
Ø Masukkan angka 0 dan 2 pada Old values menjadi angka 0 pada new values
Ø Masukkan angka 3 dan 4 pada Old values menjadi angka 1 pada new values
Ø Klik Continue
Ø Klik Paste
Ø Buka Syntax
Ø Tambahkan kalimat “ADD VALUE LABELS didik2 0 'Rendah' 1 'Tinggi' .” setelah kalimat “VARIABLE LABELS didik2 'pendidikan'.:
Ø Blok paragraph
Ø Run All
e) Transormasi Data Variabel Numerik (Umur)
Langkah-langkahnya:
Ø Klik Transform
Ø Pilih Recode
Ø Pilih Into Different Variables
Ø Pada kotak masukkan variable umur
Ø Ubah nama output variable dengan “usiaresti”
Ø Ubah nama label output variable dengan “umur”
Ø Klik Change
Ø Klik Old and New Values
Ø Masukkan angka 20 dan 35 (pada rentang) pada Old values menjadi angka 1 pada new values
Ø Masukkan angka 19 (pada lowest thru) dan angka 36 (pada thru highest) pada Old values menjadi angka 0 pada new values
Ø Klik Continue
Ø Klik Paste
Ø Buka Syntax
Ø Tambahkan kalimat “ADD VALUE LABELS usiaresti 0 'Resti' 1 'Tidak Resti' .setelah kalimat VARIABLE LABELS usiaresti 'umur'.
Ø Blok paragraph
Ø Run All
f) Compute dan Transformasi Data IMT
Langkah-langkahnya:
Ø Klik Transform
Ø Pilih Compute
Ø Tulis IMT pada Target Variabel
Ø Pada Numeric Expression masukkan rumus BB/((TB / 100) * (TB / 100))
Ø Klik Paste
Ø Buka Syntax
Ø Jalankan rumus tersebut dengan cara blok dan Run All
Ø Klik Transform
Ø Pilih Recode
Ø Pilih Into Different Variables
Ø Pada kotak masukkan variable IMT
Ø Ubah nama output variable dengan “IMT2”
Ø Ubah nama label output variable dengan “klasifikasi IMT”
Ø Klik Change
Ø Klik Old and New Values
Ø Masukkan angka 18,50 dan 25,0 (pada rentang) pada Old values menjadi angka 2 pada new values
Ø Masukkan angka 18,499 (pada lowest thru) pada Old values menjadi angka 1 pada new values
Ø Masukkan angka 25,001 (pada thru highest) pada Old values menjadi angka 3 pada new values
Ø Klik Continue
Ø Klik Paste
Ø Buka Syntax
Ø Tambahkan kalimat “ADD VALUES LABELS IMT2 1 'Kurus' 2 'Normal' 3 'Gemuk' .setelah kalimat VARIABLE LABELS IMT2 'Klasifikasi IMT'.
Ø Blok paragraph
Ø Run All
g) Analisis Bivariat
1. Untuk mengetahui hubungan antara pendidikan dengan pekerjaan
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1.Variable Independen : Pendidikan
2.Variable Dependen : Pekerjaan
3.Ho : Tidak terdapat hubungan antara pendidikan dengan pekerjaan
4.Ha : Terdapat hubungan antara pendidikan dengan pekerjaan
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· Kategorik-Kategorik chi-square
· Tentukan analisis sementara.
· Tidak dilakukan uji normality karena tidak terdapat variable numeric
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara pendidikan dengan pekerjaan. Berarti ada hubungan antara pendidikan dengan pekerjaan.
2. Untuk mengetahui hubungan antara umur dengan kadar Hb
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1. Variable Independen : Umur
2. Variable Dependen : Kadar Hb
3. Ho : Tidak terdapat hubungan antara umur dengan kadar Hb
4. SHa : Terdapat hubungan antara umur dengan kadar Hb
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· 
Numerik-Numerik korelasi
Numerik-Numerik korelasi· Tentukan analisis sementara.
· Dilakukan uji normality
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,324 à Ho ditolak
Ada perbedaan korelasi regresi antara umur dengan kadar Hb. Berarti ada hubungan antara umur dengan kadar Hb.
3. Untuk mengetahui hubungan antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1. Variable Independen : Pendidikan
2. Variable Dependen : Kontrasepsi yang dipilih
3. Ho : Tidak terdapat hubungan antara pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
4. Ha : Terdapat hubungan antara antara pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· Kategorik-Kategorik chi-square
· Tentukan analisis sementara.
· Tidak dilakukan uji normality.
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara pendidikan dengan alat kontrasepsi yang dipilih dalam ber-KB. Berarti ada hubungan antara pendidikan dengan alat kontrasepsi yang dipilih dalam ber-KB.
4. Untuk mengetahui hubungan antara pernah atau tidak pernah mendapat tablet Fe dengan kadar Hb
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1. Variable Independen : Pernah atau tidak mendapat tablet Fe
2. Variable Dependen : Kadar Hb
3. Ho : Tidak terdapat hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar HB
4. Ha : Terdapat hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· 
Kategorik-Numerik T-test
Kategorik-Numerik T-test· Tentukan analisis sementara.
· Tidak dilakukan uji normality
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,000 à Ho ditolak
Berarti ada hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb.
5. Untuk mengetahui hubungan antara Tekanan darah (Siastolik) dengan Golongan Darah
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1. Variable Independen : TD siastolik
2. Variable Dependen : Golongan Darah
3. Ho : Tidak terdapat hubungan antara TD siastolik dengan golongan darah
4. Ha : Terdapat hubungan antara TD siastolik dengan golongan darah
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· Numerik-Kategorik
· Tekanan darah sistolik di ubah menjadi data kategorik menjadi hipertensi dengan tidak hipertensi (sistol2)
· Uji yang di lakukan uji Chi-square
· Tentukan analisis sementara.
· Dilakukan uji normality
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara TD siastolik dengan golongan darah. Berarti ada hubungan antara TD siastolik dengan golongan darah.
6. Untuk mengetahui hubungan antara Tekanan darah (Diastolik) dengan Golongan Darah
Langkah-langkahnya:
§ Identifikasi variabel dalam tujuan penelitian dan tentukan hipotesis penelitian.
1.Variable Independen : TD diastolik
2. Variable Dependen : Golongan Darah
3. Ho : Tidak terdapat hubungan antara TD diastolik dengan golongan darah
4. Ha : Terdapat hubungan antara TD diastolik dengan golongan darah
§ Identifikasi field dalam database.
§ Tentukan karakteristik field (K/N).
· Numerik-Kategorik
· Tekanan darah sistolik di ubah menjadi data kategorik menjadi hipertensi dengan tidak hipertensi (diastol2)
· Uji yang di lakukan uji Chi-square
· Tentukan analisis sementara.
· Dilakukan uji normality
· Rumuskan hipotesis pengujian pada CI 95%, uji, baca hasil dan interpretasikan hasil.
· Bahas hasil
P = 0,000 à Ho ditolak
Ada perbedaan proporsi antara TD diastolic dengan golongan darah. Berarti ada hubungan antara TD diastolic dengan golongan darah.
