INI ADALAH LAPORAN UJIAN AKHIR SEMESTER 4
MATA KULIAH KOMPUTER LANJUT, DI SINI TERDAPAT LANGKAH-LANGKAH BAGAIMANA
MENGOLAH DATA DARI AWAL SAMPAI AKHIR. SEMOGA BERMANFAAT :)
|
No
|
PERINTAH YANG HARUS
DIKERJAKAN
|
CARA
|
HASIL
LAPORAN
|
|
1.
|
Identiras Mahasiswa
|
Tulis nama dan NIM.
|
Nama
: Amalya Sari
Nim
: 102114301
|
|
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. Epidata ditutup kembali.
|
File
hasil eksport Epidata ke SPSS berekstensi .sps
dengan nama file Amalya Sari.sps.
|
|
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 Amalya Sari, lalu open syntax , edit, run all, lalu simpan
dengan nama Amalya Sari.
|
File
syntax Amalya Sari dieksport ke SPSS dan
disimpan dengan nama amalya 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 [file] berisi 39 field
dan 8390 record. Data kategorik sebanyak 27 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.
|
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
|
Field
didik :
Periksa field Pendidikan [didik] 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
|
Field
kerja :
Periksa field kerja Jumlah
record sebelum kerja didelete 8380 record dan
setelah 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
|
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
|
Variabel
tekanan darah sistolik (100-300mmHg) :
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
|
Variabel
tekanan darah diastolik (60-150mmHg) :
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 : 01
1 digit terakhir
adalah : 1 à Ganjil 1
|
|
12.
|
a Sort field tinggi badan ibu [tb] dengan sort
order
b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda |
Data – sort case – tb –ascending – ok
Delete dari 1 sampai 100
|
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
Singkat :
|
|
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 – run
|
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
Singkat :
Dari kategori pendidikan ibu memiliki tingkat pendidikan tinggi yaitu SMA ke atas sebanyak 5944 orang sedangkan ibu yang memiliki tingkat pendidikan rendah (SMA ke bawah) sebanyak 912 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 :
Jumlah
record sebelum didelete 6856 record dan
sesudah didelete yang missing tersisa 6852
record.
Field
pernah :
Jumlah
record sebelum didelete 6852 record dan sesudah
didelete yang missing tersisa 6851 record.
Field
akseptor :
Jumlah
record sebelum didelete 6851 record dan
sesudah didelete yang missing tersisa 6845
record.
Field
alasan :
Jumlah
record sebelum didelete 6845 record dan
sesudah didelete yang missing tersisa 6832
record.
Field
rencana :
Jumlah
record sebelum didelete 6832 record dan
sesudah didelete yang missing tersisa 6777
record.
|
|
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 Hb
:
Jumlah
record sebelum didelete 6777 record dan
sesudah didelete yang missing tersisa 6753
record.
Field TB
:
Jumlah
record sebelum didelete 6753 record dan
sesudah didelete yang missing tersisa 6753
record.
Field BB
:
Jumlah
record sebelum didelete 6753 record dan
sesudah didelete yang missing tersisa 6737
record.
|
|
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.
|
Langkah-langkah
melakukan cleaning pada field pernah dengan pemeriksaan kehamilan :
1. data à
sort cases à
field pernah dan kali.
2. sort
ascending kedua field, periksa. Jika tidak ada keanehan, sort ascending field
pernah dan sort descending field kali, periksa.
3. sort
descending kedua field, periksa. Jika tidak ada keanehan, sort descending
field pernah dan sort ascending field kali, periksa.
Jumlah
record sebelum didelete 6737 record dan
sesudah didelete yang missing tersisa 6572
record.
|
|
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
|
Langkah-langkah
melakukan cleaning pada field pernah dengan mendapatkan 5T :
1. data à
sort cases à
field pernah dan 5T.
2. sort
ascending kedua field, periksa. Jika tidak ada keanehan, sort ascending field
pernah dan sort descending field 5T, periksa.
3. sort
descending kedua field, periksa. Jika tidak ada keanehan, sort descending
field pernah dan sort ascending field 5T, periksa.
Jumlah
record sebelum didelete 6572 record dan
sesudah didelete yang missing tersisa 6537
record.
|
|
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
|
Langkah-langkah
melakukan cleaning pada field akseptor dengan kontrasepsi dan alasan tidak
ber-KB :
1. data à
sort cases à
field akseptor dengan kontrasepsi dan alasan tidak ber-KB.
2. sort
ascending kedua field, periksa. Jika tidak ada keanehan, sort ascending field
akseptor dan sort descending field kontrasepsi dan alasan tidak ber-KB,
periksa.
3. sort
descending kedua field, periksa. Jika tidak ada keanehan, sort descending
field akseptor dan sort ascending field kontrasepsi dan alasan tidak ber-KB,
periksa.
Jumlah
record sebelum didelete 6537 record dan
sesudah didelete yang missing tersisa 6433
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, 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
|
Syntax :
*
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 Balita' .
EXECUTE
.
RECODE
IMTIbu
(Lowest thru 16.999=1) (17.0 thru 18.499=2) (27.001 thru Highest=5) (25.001 thru 27.0=4) (18.501 thru 25.001=3) INTO
imti5 .
VARIABLE
LABELS imti5 'IMT Ibu Hamil'.
ADD
VALUE LABELS imti5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5
'Obesitas'.
EXECUTE
.
RECODE
IMTAnak
(Lowest thru 16.9999=1) (17.0 thru 18.499=2) (18.501 thru 25.001=3) (25.001 thru 27.0=4) (27.001 thru Highest=5) INTO
imta5 .
VARIABLE
LABELS imta5 'IMT Anak Balita'.
ADD
VALUE LABELS imta5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5
'Obesitas'.
EXECUTE
.
RECODE
imta5
(1=0)
(2=0) (3=1) (4=2)
(5=2) INTO imt5 .
VARIABLE
LABELS imt5 'Kategori IMT Anak'.
ADD
VALUE LABELS imt5 0 'Rendah' 1 'Normal' 2 'Tinggi'.
EXECUTE
.
Komentar : Mayoritas IMT ibu normal yaitu sekitar 91,2% dan sebanyak 75.8 % IMT anak dalah rendah.
*Hasil bisa dilihat di link
|
22.
|
a Idenfifikasi 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. |
|
Analisis
Bivariat :
a. Untuk Mengetahui Hubungan antara Pendidikan dengan
Pekerjaan yang Dimiliki Responden.
1.
Pendidikan => variabel independent
Pekerjaan => variabel dependent
2.
Pendidikan => didik
Pekerjaan => kerja
3.
didik => kategorik
kerja => kategorik
4.
Uji Beda Proporsi – Uji Non Parametrik (Chi Square). Makin tinggi
pendidikan makin tinggi jenis pekerjaan yang dimiliki ibu.
HO Pengujian : Tidak ada perbedaan tingkat pekerjaan ibu
antara ibu yang tamat SD, SLTP, SLTA dan Perguruan Tinggi.
Diuji pada confidents interval 95%.
5.
–
6.
Uji, baca, interpretasi.
P< 0,05 maka HO ditolak.
“Ada hubungan antara tingkat
pendidikan ibu dengan pekerjaan yang dimiliki”
b. Untuk Mengetahui Hubungan antara Pekerjaan Ibu dengan Alat
Kontrasepsi yang Dipilih Ibu untuk Ber-KB.
1.
Pekerjaan
=> variabel
independent
Alat Kontrasepsi => variabel dependent
2.
Pekerjaan
=> kerja
Alat Kontrasepsi => ksepsi
3.
kerja => kategorik
ksepsi => kategorik
4.
Uji Beda Proporsi – Uji Non Parametrik (Chi Square). Makin tinggi pekerjaan ibu makin baik/mahal alat kontrasepsi yang dipakai
ibu untuk ber-KB.
HO Pengujian : Tidak ada perbedaan proporsi antara pekerjaan ibu
dengan alat kontrasepsi yang dipilih ibu untuk ber-KB.
Diuji pada confidents interval 95%.
5.
–
6.
Uji, baca, interpretasi.
7.
Bahas :
P< 0,05 HO ditolak
“Ada hubungan antara tingkat
pekerjaan ibu dengan alat kontrasepsi yang dipakai ibu”.
c. Untuk Mengetahui Hubungan antara Pemberian Tablet Fe dengan
Kadar Hemoglobin dalam Darah.
1.
Pemberian tablet Fe => variabel independent
Kadar Hb => variabel dependent
2.
Pemberian tablet Fe => tfe
Kadar Hb => hb
3.
tfe => kategorik
hb => numerik
4.
Uji Beda Proporsi – Uji Parametrik (T-Test). Makin sering mengkonsumsi
tablet Fe makin baik/tinggi kadar Hb ibu.
HO Pengujian : Tidak ada perbedaan rata-rata yang signifikan antara pemberian
tablet Fe dengan kadar hemoglobin dalam darah.
Diuji pada confidents interval 95%.
5.
Uji normality :
6.
Berdasarkan data di atas, dapat disimpulkan bahwa data diatas Tidak Normal. Sehingga tidak dilakukan uji selanjutnya.
d. Untuk Mengetahui Hubungan antara Pendidikan dengan
Frekuensi Pemeriksaan Kehamilan.
1.
Pendidikan => variabel independent
Frekuensi pemeriksaan kehamilan => variabel
dependent
2.
Pendidikan => didik
Frekuensi pemeriksaan kehamilan => kali
3.
didik => kategorik
kali => numerik
4.
Uji Beda Proporsi – Uji Parametrik (Anova). Makin tinggi pendidikan
makin sering pula yang melakukan pemeriksaan kehamilan.
HO Pengujian : Tidak ada perbedaan proporsi ibu yang sering
atau jarang memeriksakan kehamilan antara ibu yang tamat SD, SLTP, SLTA dan
Perguruan Tinggi.
Diuji pada confidents interval 95%.
5.
Uji Normality :
6.
Uji, baca, interpretasi.
Berdasarkan data diatas, dapat
disimpulkan bahwa data diatas Tidak Normal. Sehingga tidak dilakukan uji
selanjutnya.
e. Untuk Mengetahui Hubungan antara Umur Ibu dengan Tekanan
Darah Sistolik.
1.
Umur
Ibu => variabel independent
Tekanan Darah Sistolik => variabel dependent
2.
Umur
Ibu => umur
Tekanan Darah Sistolik => sistol
3.
umur => numerik
sistol => numerik
4.
Uji Korelasi. Makin tinggi umur ibu makin tinggi tekanan darah
sistoliknya.
HO Pengujian : Tidak ada korelasi antara umur ibu
dengan tekanan darah sistolik.
Diuji pada confidents interval 95%.
5.
Uji Normality :
P<0,05 maka sebaran tidak
normal
6.
Uji Korelasi Spearman.
7.
Bahas :
Nilai kolerasi 0,80 maka Korelasi arahnya positif dan
memiliki kekuatan yang kuat.
|
|
23.
|
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 |
WHO Anthro :
Frekuensi Status Gizi Berdasarkan Berat
Badan Menurut Tinggi Badan
Dari hasil dapat dilihat bahwa sebanyak 21.1 % anak berstatus Sangat kurus dan 22,4% anak berstatus gemuk. prevalensi anak berstatus Gizi normal yaitu sebanyak 50,2 %.
Frekuensi Status
Gizi Berdasarkan Tinggi Badan Menurut Umur
Dari hasil dapat dilihat sebanyak 23,6% anak berstatus sangat pendek dan hanya 18,2% anak berstatus tinggi. sedangkan prevalensi anak berstatus normal sebanyak 50,5%.
Frekuensi Status
Gizi Berdasarkan Berat Badan Menurut Umur
Dari hasil dapat dilihat sebanyak 20,9% anak berstatus gizi buruk dan lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 57,6 %.
Akut dan Kronis
Dari hasil dapat dilihat hanya 9,2 % anak yang dinyatakan menderita kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi normal yaitu sebanyak 57,6 %.
|
KLIK HERE TO SEE FULL VERSION ^^)
