LAPORAN HASIL UJIAN AKHIR SEMESTER 4
|
No
|
Perintah yang harus
dikerjakan
|
Langkah-langkah
|
HASIL
LAPORAN
|
|
1.
|
Identiras
Mahasiswa
|
Tulis
nama dan NIM
|
Nama : Farida Riri Anggraini
Nim : 102114315
|
|
2.
|
Pemilihan
File : Bagi yang digit terakhir NIM nya ganjil pilih file Ganjil.rec dan
digit terakhir NIM genap pilih file GENAP.rec
|
File yang dipilih adalah ganjil. Rec
|
Berdasarkan angka NIM terakhir saya, maka file yang akan diolah
adalah GANJIL.
|
|
3.
|
Jalankan
epidata, pilih menu export. Pilih file sesuai pilihan Anda (genap/ganjil)
untuk dieksport ke SPSS. Setelah di export tutup epidata.
|
Buka
epidata, export ganjil ke spss,disimpan dengan nama Farida Riri Anggraini, Epidata
ditutup kembali.
|
File hasil eksport Epidata ke SPSS berekstensi .sps dengan nama file Farida Riri
Anggraini
|
|
4.
|
Jalankan
spss dan buka file syntax yang dihasilkan oleh exporting Epidata, kemudian
Run syntax tersebut. Setelah running selesai simpan file data spss tersebut
dengan nama file Nama Anda sendiri (sesuai dengan nama di absensi )
|
Buka
spss , open data, pilih Farida Riri Anggraini, lalu open syntax , edit, run
all, lalu simpan dengan nama Farida Riri Anggraini
|
File syntax Farida Riri Anggraini dieksport ke SPSS dan disimpan dengan nama Farida Riri
Anggraini dan
ekstensi .sav.
|
|
5.
|
Periksa file data yang dihasilkan meliputi
jumlah semua field, jumlah record, jumlah field kategorik dan jumlah field
numerik
|
Lihat di variabel view lalu hitung
|
File data [Farida Riri Anggraini] berisi 32 field
dan 8390 record. Data kategorik sebanyak 20
field dan data numerik sebanyak 12 field.
|
|
6.
|
Buat sebuah file syntax dan isi pertama kali dengan
variabel labels dan valur label data kategorik. Draft variabel labels bisa
dicopy dari syntax export file dari epidata.
|
Buat syntax baru, copy kan latihan spss di kampus dan
run all, jika tidak ada kesalahan maka syntax telah bisa digunakan dan
berhubungan langsung dengan data
|
Simpan
file syntax dengan nama yang sama dengan dile data. Pastekan disini sintax
tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus,
tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana
Syntax baru :
ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3
'SLTA' 4 'P.Tinggi' .
ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3
'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain2' .
ADD VALUE LABELS pernah 1 'Pernah' 2 'Tidak' .
ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS fundus 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tensi 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tfe 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS tt 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 'Lain2' .
ADD VALUE LABELS alasan 1 'Masih ingin punya
anak' 2 'Dilarang Suami' 3 'Tdk Sesuai Keyakinan' 4 'Lain2' .
ADD VALUE LABELS rencana 1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5
'Lain2' .
|
|
7.
|
Periksa field pendidikan(didik). Jika ditemukan
data yang missing atau jenis kategori selain dari yang legal, delete record
yang missing tersebut.
|
Analyse – descriptive statistik – fekuensi –
didik –ok
Hapus data yang missing : data – sort case –
didik ascending – ok
Delete yang missing yaitu yang pendidikannya
selain diisi 0 (BH /SD), 2 (SLTP) , 3 (SMA), 4 (Perguruan Tinggi)
|
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
|
Analyse – descriptive statistik – fekuensi –
kerja –ok
Hapus data yang missing : data – sort case –
kerja ascending – ok
Delete yang missing selain diisi 1-5
|
Jumlah field sebelum didelete record yang kerja nya missing maka
jumlah record awalnya adalah 8380
sama dengan jumlah record setelah soal no.7
dikerjakan yaitu sebanyak 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
|
Transform – recode into diffrent variabel – td
sistolik - masukkan batasan 100 – 300 – continue – paste
Hapus data yang missing : data – sort case – TD
sistolik ascending – ok
Delete yang dibawah 100 dan di atas 300
|
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 daarah diastolik [diastol] dengan batasan 60-150 mmHg
|
Transform – recode into diffrent variabel – td
diastolik - masukkan batasan 60 – 150 – continue – paste
Hapus data yang missing : data – sort case – TD
diastolik ascending – ok
Delete yang dibawah 60 dan di atas 150
|
Jumlah record sebelum di delete diastol yang missing adalah sebanyak
7127 record dan setelah dilakukan penghapusan field
diastol yang missing tersisa 6956 record
|
|
11.
|
Periksa
kembali NIM Anda :
Catat angka 2 digit terakhir NIM Andan Jika digit terakhir Anda adalah Ganjil, kerjakan soal nomor 12.a dan 12.b dan bila digit terakhir NIM Anda genap kerjakan soal nomor 13.a dan 13.b |
Ganjil maka mengerjakan no 12
|
2 digit terakhir NIM saya adalah : 15
1 digit terakhir adalah : 5 à Ganjil
|
|
12.
|
a Sort field tinggi badan ibu [tb] dengan sort
order
b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda |
|
Ganjil :
Jumlah record tersisa setelah di delete sebanya 100 recor mulai dari 2 digit NIM adalah 6856 record |
|
14.
|
Buat tabel distribusi
frekuensi untuk variabel Pendidikan [didik] dan berikan komentar singkat !
|
Analyse – descriptive statistik – frekuensi
– didik –ok
|
Komentar untuk frekuensi pendidikan : Dari frekuensi didik terlihat bahwa ibu
yang pendidikannya tertinggi adalah
Perguruan Tinggi yaitu sebanyak 2977 orang sedangkan ibu yang pendidikannya
terendah adalah Buta Huruf atau Tamat SD sebanyak 197 orang
|
|
15.
|
Sederhanakan kategori pendidikan menjadi tinggi
dan rendah, dimana pendidikan tinggi adalah SLTA ke atas. Pastekan lebih
duluu perintah transformasi ke syntax sebelum di OK kan atau sebelum di-run
kemudian hitung distribusi frekuensi kategori pendidikan yang sudah
disederhanakan tersbut. Pastekan disini syntax transformasi field didik,
kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang
bersangkutan
|
Transform – recode into
different variabel – didik – tinggi di atas SMA dan selebihnya bawah – paste
Buka syntax tambahkan add
value labels didik2 1 ‘Tinggi’ 2 ‘Rendah’ . – blok recode sampai execute tadi
lalu run current
|
RECODE
didik
(0=2)
(2=2) (3=1) (4=1)
INTO didik2 .
VARIABLE
LABELS didik2 'Pendidikan Tinggi dan Rendah'.
ADD
VALUE LABELS didik2 1 'Tinggi' 2 'Rendah'.
EXECUTE
.
Komentar kategori pendidikan tinggi dan rendah
: Dari kategori
pendidikan terlihat bahwa umumnya ibu memiliki tingkat pendidikan yang tinggi
yaitu SMA ke atas sebanyak 5942 orang sedangkan ibu yang memiliki tingkat
pendidikan rendah (SMA ke bawah) sebanyak 914 orang.
|
|
16.
|
Lakukan cleaning data fiel kategorik lainnya
seperti : darah, pernah, akseptor, alasan dan rencana seperti mengerjakan
soal nomor 7 di atas Laporkan perubahan jumlah record sebelum dan sesudah
melakukan cleaning masing untuk 5 field yang Anda cleaning
|
Analyse – descriptivr statisric – frekuensi –
darah – ok
Jika ada yang missing delete ( dengan melihat
jumlah yang konsisten ), caranya data – sort case – darah – ascending - ok
Begitu juga dengan field pernah, akseptor,
alasan, dan rencana
|
Field darah, data awal 6856,
setelah dimissing sisanya 6852
Field pernah, data awal 6852, setelah dimissing sisanya 6851
Field akseptor , data awal 6851, setelah dimissing sisanya 6846
Field alasan, data awal 6846, setelah dimissing sisanya 6827
Field rencana, data awal 6827, setelah dimissing sisanya 6771
|
|
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 - Berat Badan : 35,0 - 80,0 kg Laporkan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning. |
data – sort case – kadar Hb – ascending – ok,
jika tidak sesuai ketentuan delete
data – sort case – TB – ascending – ok, jika
tidak sesuai ketentuan delete
data – sort case – BB – ascending – ok, jika
tidak sesuai ketentuan delete
|
Field kadar Hb 6- 17,5 , data awal 6771, setelah dimissing sisanya 6746
Field TB 135,0 – 180,0, data awal 6746, setelah dimissing sisanya 6743
Field BB 35,0 – 80,0 , data awal 6743, setelah dimissing sisanya 6727
|
|
18.
|
. Lakukan langkah cleaning data terakhir untuk
melihat konsistensi 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 Tuliskan langkah-langkah melakukan cleaning data
untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi
(record inconsistensi harus didelete)
|
Langkah-langkah :
Buat frekuensi pernah memeriksaan kehamilan dengan
frekuensi pemeriksaan kehamilan,caranya : analyse – descriptive statistic –
frekuensi – pernah dan kali – hilangkan cek display picture - ok
Bandingkan jumlah data yang tidak
memeriksakan kehamilan dengan jumlah data missing pada tabel frekuensi
pemeriksaan seharusnya sama, begitu juga jumlah data yang ya dengan jumlah
frekuensi.
Jika
didapatkan data yang berbeda antara yang tidak pernah memeriksakan kehamilan
dengan jumlah data frekuensi yang missing, lakukan cleaning data dengan cara ambil data – sort case – pilih pernah
memeriksa kehamilan (descending) dan frekuensi pemeriksaan kehamilan
(ascending) – ok
Lihat nilai yang keluar jika pernah memeriksakan
kehamilan pilihannya 2 dan frekuensi pemeriksaan kehamilan diisi,maka data
tidak konsisten,maka harus dihapus.
Untuk
lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan
frekuensi pemeriksaan kehamilan dan cocokkan seperti langkah pertama dan kedua. Jika
sudah sama data tidak dengan data missing dan data Ya dengan jumlah
frekuensi, maka cleaning data telah berhasil.
|
Hasil cleaning :
Pemeriksaan kehamilan dengan frekuensi pemeriksaan
kehamilan , data awal 6727,
setelah dimissing sisanya 6559
|
|
19.
|
Lanjutkan dari cleaning data soal no. 19 di
atas dengan memeriksa konsistensi antara pernah memeriksakan kehamilan dengan
pernah atau tidak mendapatkan 5T. Ketentuannya adalah yang ditanya apakah
mendapatkan pelayanan 5T adalah yang pernah memeriksakan kehamilan saja.
Berartiyang 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 :
Lakukan
analyze descriptive statistic frekuensi pemeriksaan kehamilan (pernah) dengan pengukuran fundus, pengukuran tensi,pengukuran TB,
pemberian tablet FE dan imunisasi TT. Bisa dilakukan satu-satu namun bisa
juga sekaligus, sebaiknya satu-satu agar bisa lebih akurat
Bandingkan jumlah data yang memeriksakan
kehamilan dengan jumlah data dengan pengukuran
fundus, pengukuran tensi,pengukuran TB, pemberian tablet FE dan imunisasi TT pada
tabel frekuensi masing-masing field
seharusnya sama, begitu juga jumlah data tidak memriksakan kehamilan
Jika
didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan
jumlah masing-masing field tadi
makalakukan cleaning data dengan cara : Ambil data – sort case – pilih pernah
memeriksakan kehamilan (pernah) (descending), pengukuran fundus (ascending),
pengukuran TB (ascending), pengukuran tensi (ascending), pemberian tablet FE
(ascending), pemberian imunisasi TT (ascending), lihat kevalid an data, jika
ia mengisi tidak pernah (2) maka fundus,TB, tensi,FE dan TT harus titik,tidak
boleh berisi angka, jika berisi maka missing, begitu juga jika mengisi pernah
(1) maka fundus,TB, tensi,FE dan TT masing-masing field harus diisi 1
(pernah) atau 0 ( tidak pernah), jika semuanya 0 maka missing dan harus
dihapus.
Frekuensikan kembali pemeriksaan kehamilan dengan 5 T
tadi, jika jumlah data telah sama maka cleaning data telah selesai
|
Hasil Cleaning :
Konsistensi pemeriksaan kehamilan dengan pengukuran
fundus, pengukuran TB, pengukuran tensi,pemberian tablet FE, dan pemberian
imunisasi TT, data awal 6559,setelah dimissing sisanya 6524
|
|
20.
|
Lakukan cleaning data seperti soal 18 dan 19
untuk memeriksa konsistensi atara pertanyaa (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)
|
Ambil data – sort case – pilih akseptor (ascending),
ksepsi (ascending), dan alasan tidak ber-KB (ascending),jika 0 maka alasan
harus berisi, jika 1 maka ksepsi harus berisi,jika tidak missing
|
Hasil cleaning :
Konsistensi akseptor, kontrasepsi dan alasan, data awal
6524,setelah dimissing sisanya 6426
|
|
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, kemudia paste-kan output frekuensi kaegori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output. |
Copy sintax yang lama lalu run current
Lalu
analyse – descriptive statistik – masing-masing kategori – ok
|
*Perhitungan IMT Ibu.
COMPUTE IMTIbu = bb / ((tb /
100) * (tb / 100)) .
VARIABLE LABELS IMTIbu 'IMT ibu
hamil' .
EXECUTE .
*Perhitungan IMT Anak.
COMPUTE IMTAnak = weight /
((height / 100) * (height / 100)) .
VARIABLE LABELS IMTAnak 'IMT
Anak' .
EXECUTE .
RECODE
IMTIbu
(Lowest thru 16.999=1) (17.0 thru 18.4999=2) (25.00001 thru 27.0=4) (27.001 thru Highest=5) (18.5 thru 25.00001=3)
INTO
imt15 .
VARIABLE LABELS imt15 'Kategori
IMT ibu'.
ADD VALUE LABELS IMT15 1
'Sangat kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas' .
EXECUTE .
Komentar
5 kategori imt ibu : Mayoritas ibu memiliki IMT normal yaitu sekitar 91,2 %
RECODE
IMTAnak
(Lowest thru
16.999=1) (17.0 thru 18.4999=2) (25.00001 thru 27.0=4) (27.001 thru Highest=5) (18.5 thru 25.00001=3)
INTO imta5 .
VARIABLE LABELS imta5 'Kategori IMT anak'.
ADD VALUE LABELS IMTa5 1 'Sangat kurus' 2 'Kurus'
3 'Normal' 4 'Gemuk' 5
'Obesitas' .
EXECUTE .
Komentar 5 kategori imt anak: Anak-anak kebanyakan memiliki IMT sangat
kurus yaitu lebih dari 66 %
RECODE
IMTIbu
(Lowest thru 18.4999=1) (18.5 thru 25.0=2) (25.01 thru Highest=3) INTO
imti3 .
VARIABLE LABELS imti3 'kategori
imt ibu'.
ADD VALUE LABELS imti3 1
'kurus' 2 'normal' 3 'gemuk'.
EXECUTE .
Komentar 3 kategori imt ibu : Mayoritas IMT ibu normal yaitu sekitar 91,2
%
RECODE
IMTAnak
(Lowest thru 18.4999=1) (18.5 thru 25.0=2) (25.01 thru Highest=3) INTO
imta3 .
VARIABLE
LABELS imta3 'kategori imt anak'.
ADD VALUE LABELS imta3 1
'kurus' 2 'normal' 3 'gemuk'.
EXECUTE .
Komentar 3 kategori imt anak : Mayoritas anak memiliki imt yang rendah
yaitu tergolong anak-anak yang kurus yaitu 75,8 %
|
|
22.
|
a Identifikasi
variabel dalam tujuan penelitian
b Identifikasi field dalam database c Tentukan karakteristik data (K/N d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
f
Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu. |
|
a.
Identifikasi variabel dalam tujuan penelitian
 Variabel independen pendidikan Variabel dependen pekerjaan
b.
Identifikasi Field dalam database
 Variabel independen didik Variabel dependen kerja
c.
Karakteristik data
Didik K Kerja K
d.
Uji sementara
uji beda proporsi, uji chi squareTeori yang relevan makin tinggi pendidikan, maka makin
bagus tingkat pekerjaan ibu HO Tidak
ada perbedaan proporsi pekerjaan yang dimiliki ibu yang tamatan SD, SLTP, SMA
dan Perguruan Tinggi
e.
–
f.
Analisis
p < 0,05
maka HO ditolak
Kesimpulan Ada perbedaan proporsi
pekerjaan antara ibu yang tamatan SD, SLTP, SMA dan Perguruan Tinggi
g.
 Komentar Makin tinggi pendidikan ibu maka
makin bagus pekerjaannya, ibu yang tamat Perguruan Tinggi 56 % menjadi PNS
sesuai dengan penelitian . Hal ini juga didukung oleh penelitian Elinofia, Rita Doveriyanti, Roma Ulina tahun 2011 di Bengkulu |
|
23
|
a Identifikasi
variabel dalam tujuan penelitian
b Identifikasi field dalam database c Tentukan karakteristik data (K/N d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
f
Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu. |
Hubungkan dengan penelitian sebelumnya agar terbukti
kuat
|
Tujuan Untuk mengetahui hubungan
pekerjaan ibu dengan alat kontrasepsi yang dipilih ibu untuk ber-KB
a.
Identifikasi variabel
dalam tujuan penelitian
 Variabel
independen pekerjaanVariabel
dependen alat kontasepsi
b.
Identifikasi Field dalam
database
Variabel
independen kerjaVariabel dependen ksepsi
c.
Karakteristik data
 kerja K ksepsi K
d.
Uji
sementara uji beda proporsi,
uji chi squareTeori
yang relevan makin tinggi
pekerjaan maka makin bagus alat kontasepsi yang digunakan ibu HO Tidak ada perbedaan proporsi alat
kontrasepsi yang digunakan antara ibu yang bekerja sebagai PNS, Swasta,
Wiraswasta, Pedagang, Buruh Tani dan lain-lain
e.
–
f.
Analisis
P < 0,05 maka HO ditolak
 Kesimpulan Ada perbedaan proporsi alat kontrasepsi yang digunakan
antara ibu yang bekerja sebagai PNS, Swasta, Wiraswasta, Pedagang, Buruh Tani
dan lain-lain
g.
 Komentar
Umumnya ibu memakai alat
kontrasepsi IUD namun ibu yang pekerjaannya buruh tani hanya 31 % yang
menggunakannya, menunjukkan makin tinggi pekerjaan, makin bnagus alat
kontrasepsinya dan sebaliknya. Hal ini
sesuai dengan penelitian Sulastri, Delmi and Agus,
Zulkarnain tahun
2010 |
|
24
|
a Identifikasi
variabel dalam tujuan penelitian
b Identifikasi field dalam database c Tentukan karakteristik data (K/N d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
f
Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu. |
|
 Tujuan Untuk mengetahui hubungan
pemberian tablet Fe dengan kadar Hb dalam darah
a. dentifikasi variabel dalam tujuan penelitian
 Variabel
independen pemberian tablet
FeVariabel
dependen kadar Hb
b. Identifikasi Field dalam database
Variabel
independen tfeVariabel dependen kadar HB
c.
Karakteristik data
tfe K kadar
Hb N
d.
Uji
sementara uji beda rata-rata ,
uji independen sampel t-test Teori
yang relevan ibu yang mendapat
tablet Fe maka kadar Hb akan semakin bagusHO Tidak ada
perbedaan rata-rata kadar Hb ibu antara yang mendapatkan Tfe dan Ynag tidak
mendapatkan Tfe.
e.
Uji Normality : data
normal
f.
Analisis
P<0,005 maka Ho ditolak
 Interpretasi ada perbedaan rata-rata
kadar Hb ibu antara yang mendapatkan Tfe dan Ynag tidak mendapatkan Tfe.
g.
Komentar : Ibu yang
mendapat tablet Fe akan memiliki kadar Hb yang lebih bagus sesuai dengan
penelitian K. Yuliantin tahun 2002 tentang pengaruh pemberian tablet Fe
dengan kadar Hb ibu
|
|
25
|
a Identifikasi
variabel dalam tujuan penelitian
b Identifikasi field dalam database c Tentukan karakteristik data (K/N d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
f
Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu. |
|
Tujuan untuk mengetahui
hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan
a.
Identifikasi variabel dalam tujuan penelitian
Variabel
independen pendidikanVariabel
dependen frekuensi pemeriksaan kehamilan
b.
Identifikasi Field dalam database
Variabel
independen didikVariabel dependen kali
c.
Karakteristik data
didik Kkali N
d.
Uji
sementara uji one way anova Teori
yang relevan Makin
tinggi tingkat pendidikan ibu makin sering ibu meemriksakan kehamilan. HO Tidak
ada perbedaan rata-rata frekuensi pemeriksaan kehamilan antara ibu yang
tamatan SD, SLTP, SLTA dan Perguruan Tinggi
e. Uji Normality : Data tidak normal maka uji independen
T-test tidak dilakukan
|
|
26
|
a Identifikasi
variabel dalam tujuan penelitian
b Identifikasi field dalam database c Tentukan karakteristik data (K/N d tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian e Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality
f
Lakukan pengujian, baca hasil dan interpretasikan
g Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu. |
Namun data yang
ditampilkan caranya klik analyse – descritive statistic – descriptive –
masukkan ke 2 variabel- ok
Hubungkan dengan penelitian sebelumnya agar terbukti
kuat
|
Tujuan Untuk mengetahui
hubungan antara umur ibu dengan tekanan darah sistolik
a.
Identifikasi variabel dalam tujuan penelitian
Variabel
independen umur ibuVariabel
dependen tekanan darah sistolik
b.
Identifikasi Field dalam database
Variabel
independen umurVariabel dependen TD sistolik
c.
Karakteristik data
umur N  TD
sistolik N
d.
Uji
sementara uji korelasi Teori
yang relevan Makin
tinggi umur ibu maka
makin tinggi tekanan darah sistoikl ibu
HO : Tidak ada korelasi antara umur ibu dengan tekanan darah
e.
Uji Normality : data
normal
f.
Analisis : Intrepetasi :
Korelasi berkekuatan positif
g.
Komentar : Penelitian data
korelasi berkekuatan positif yang kuat sesuai dengan penelitian terdahulu
yang dilakukan oleh Hanafi Hartanto
tahun 2002 tentang makin tinggi umur ibu maka makin tinggi tekanan darah
sistoliknya
|
|
27.
|
Olah data ke WHO antro
|
Langkah-1 Save As dana SPSS ke format dbase IV
Langkah-2. Buka WHO Anthro dan menggunakan menu Nutrional Survey baca data DBF, kemudian olah sesuai prosedur yang sudah dipelajari Langkah-3. Pilih semua baris dan copy ke Clipboar dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu diedit, kemudian simpan ke format Excel 97-2003 Langkah-4. Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan. Langkah-5. Lakukan transformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U dan BB/U). Langkah ini bisa dipersingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi status gizi dengan perintag frequencies dan pastekan hasilnya di lembar jawab bersamaan dengan jawaban soal-soal di atas Langkah-6. Hitung prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal). Cara tersepat melakukannya adalah me-run syntax yang dihasilkan pada praktek dalam perkuliahan. Hasil prevalensinya dipastekan di sini |
Tabel dalam link selengkapnya
|
