LAPORAN UAS PRAKTEK KOMPUTER
- Nama : Yulia Rahmi Idrus
Nim :
102114358
- Berdasarkan angka NIM terakhir saya maka file yang akan diolah adalah GENAP.rec
- File hasil exsport Epidata ke SPSS berekstensi sav Dengan nama GENAP.sav
- File syntax GENAP.sav Dieksport ke SPSS dan disimpan dengan nama Yulia Rahmi Idrus.sps dan ekstensi sps
- File data [file] berisi 39 field dan 8390 record. Data kategorik sebanyak 27 field dan data numerik sebanyak 12 field.
- 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
*
Pembuatan Value Label utk Data Kategorik .
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 'Lain-lain' .
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 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' .
- Jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8382 record.
- Jumlah field sebelum kerja yg missing adalah 8382 dan setelah field erja dicleaning adalah 8378 record
- Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8378 record dan setelah dilakukan penghapusan field sistol yang missing tersisa 7127 record
- Jumlah record sebelum di delete diastol yang missing adalah sebanyak 7127 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 6956 record.
- 2 digit terakhir NIM saya adalah : 58
1 digit terakhir adalah :
13. a dan b Genap :
Jumlah record tersisa setelah di delete sebanya 50 record mulai dari 2 digit NIM adalah 6907 record
14. Pastekan output tabel distribusi frekuensi tersebut dalam lembar jawaban disini, berserta komentar singkat di bawah. Komentar : Berdasarkan tabel pendidikan formal ibu, ibu dengan pendidikan SD sebanyak 2,8 %, SMP sebanyak 10,5 %, SMA sebanyak 43,2 % dan Perguruan tinggi sebanyak 43,4 %. Jadi dapat disimpulkan umumnya pendidikan ibu adalah perguruan tinggi.
15. Pastekan disini syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan
*Pengkategorian pendidikan 2 kategori .
RECODE
DIDIK (0=2) (2=2) (3=1) (4=1) INTO didik2.
VARIABLE LABELS didik2 'pendidikan 2 kategori'.
ADD VALUE LABELS didik2 1 'tinggi' 2 'rendah'.
EXECUTE.
Komentar : Berdasarkan tabel pendidikan formal ibu, ibu dengan pendidikan yang tergolong pendidikan tinggi yaitu sebanyak 86.7 %, dan pendidikan rendah sebanyak 13.3 %.
16. Laporan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning.
• Golongan darah, sebelum dan sesudah sama yaitu 6905
• Pemeriiksaan kehamilan, sebelum cleaning yaitu 6905 dan sesudah cleaning 6904.
• Akseptor KB, sebelum cleaning 6904 dan sesudah cleaning 6899
• Akseptor dan alasan, sebelum cleaning 6899 dan sesudah cleaning 6885
• Rencana tempat melahirkan, sebelum cleaning 6885 dan sesudah cleaning 6835.17. Laporan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning.
• Kadar Hb : 6,0 - 17,5 mg/dl
sebelum cleaning 6835 dan sesudah cleaning 6810
• Tinggi badan 135,0 - 180 cm
sebelum celaning 6810 dan sesudah cleaning 6807
• Berat Badan : 35,0 - 80,0 kg
sebelum cleaning 6807 dan sesudah cleaning 6791
18. Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete)
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
Hasil record setelah cleaning :6702
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 :
• Distribusi frekuensikan field pernah dengan frekuensi pemeriksaan kehamilan dengan mendapatkan 5T.
• Ibu mendapatkan pelayanan 5T hanyalah yang pernah memeriksakan kehamilan saja. Berarti yang menjawab Ya dan Tidak pada 5T harus sama dengan yang pernah memeriksakan kehamilan.Sort field pernah dan field kali
• Apabila ada yang tidak sesuai, clear data yang tidak sesuai tersebut
Hasil record setelah cleaning : 6603
20. Lakukan cleaning data seperti soal 18 dan 19 untuk memeriksa konsistensi atara pertanyaan (field) akseptor, kontrasepsi dan alasan tidak ber-KB.
Langkah :
• Distribusi frekuensikan field akseptor, kontrasepsi dan alasan tidak ber-KB.
• Ibu yang akseptor, memakai alat kontrasepsi dan tidak memberikan alasan tidak ber-KB. Delete data yang salah.
• Sort field akseptor, kontrasepsi dan alasan.
• Apabila ada yang tidak sesuai, clear data yang tidak sesuai tersebut.
Hasil record setelah cleaning : 6507
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 .
IMT ibu hamil dalam 5 kategori
Komentar : Berdasarkan tabel dapat dilihat umumnya IMT ibu normal yaitu sebanyak 91,1 %. Dan paling sedikit yaitu IMT ibu yang tergolong sangat kurus yaitu sebanyak 0,4 %.
IMT anak dalam 5 kategori
Komentar : Berdasarkan tabel dapat dilihat umumnya IMT anak sangat kurus yaitu sebanyak 66,0 %. Dan paling sedikit yaitu IMT anak yang tergolong gemuk yaitu sebanyak 1,1 %.
IMT ibu dalam 3 kategori
Komentar : Berdasarkan tabel dapat dilihat umumnya IMT ibu dalam 3 kategori normal yaitu sebanyak 91,1 %. Dan paling sedikit yaitu IMT ibu yang tergolong kurang yaitu sebanyak 2,8 %.
IMT anak dalam 3 Kategori
Komentar : Berdasarkan tabel dapat dilihat umumnya IMT anak 3 kategori kurang yaitu sebanyak 75,5 %. Dan paling sedikit yaitu IMT anak yang tergolong lebih yaitu sebanyak 5,9 %.ANALISIS BIVARIAT
1. Tujuan Penelitian : Mengetahui hubungan antara pendidikan ibu dengan jenis pekerjaan yang dimiliki
• Identifikasi variabel dalam tujuan : Independen variabel adalah tingkat 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 1697 ibu.
2. Tujuan Penelitian : Mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih ibu untuk ber-KB
• Identifikasi variabel dalam tujuan : Independen variabel adalah jenis pekerjaan dan dependen variabel adalah alat kontrasepsi yang dipilih Ibu untuk ber-KB.
• Idenfifikasi field dalam database : jenis pekerjaan nama fieldnya kerja dan alat kontrasepsi yang dipilih Ibu untuk ber-KB 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 jenis pekerjaan ibu makin bagus alat kontrasepsi yang digunakan. H0: Tidak ada perbedaan proporsi antara jenis pekerjaan ibu dengan alat kontrasepsi yang digunakan.
• 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 jenis pekerjaan ibu dengan alat kontrasepsi yang digunakan. Dari hasil uji chi-square di atas di dapatkan bahwa makin tinggi jenis pekerjaan yang dimiliki maka lebih bagus alat kontrasepsi yang digunakan. Ini di tandai dengan jumlah sampel yang memiliki jenis pekerjaan sebagai PNS yang memakai alat kontrasepsi IUD sebanyak 524 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 : peemberian tablet Fe nama fieldnya tfe dan kadar Hb 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 daripada ibu yang tidak dapat tablet Fe. H0: Tidak ada perbedaan rata-rata antara pemberian tablet Fe dengan kadar Hb dalam darah.
• Lakukan Uji, baca hasil dan interpretasikan. Hb numeric : Uji Normality.
Normal Q-Q Plot Normal
Hi-Low close Tidak normal
Histogram Normal
Steam-Leaf Normal
Skeweness Normal
• Kesimpulan : P<0,05 maka HO ditolak. Ada perbedaan rata-rata antara pemberian tablet Fe dengan kadar Hb dalam darah. Dari hasil uji independent sample T-test diatas didapatkan bahwa ibu yang mendapatkan tablet Fe maka kadar Hb-nya 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 : pendidikan ibu nama fieldnya didik dan frekuensi pemeriksaan kehamilan 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. Hb numeric : Uji Normality.
Normal Q-Q Plot Tidak Normal
Hi-Low close Normal
Histogram Tidak Normal
Steam-Leaf Tidak Normal
Skeweness Tidak 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.
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 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. Hb numeric : Uji Normality.
Normal Q-Q Plot Umur ibu Normal, TD sistolik Tidak Normal
Hi-Low close Umur ibu Normal, TD sistolik Tidak Normal
Histogram Tidak Normal
Steam-Leaf Tidak Normal
Skeweness Umur ibu Normal, TD sistolik Tidak Normal
Karena uji korelasi pearson Tidak Normal maka dilanjutkan dengan uji korelasi spearmans.
• Kesimpulan :
Dari hasil diatas diperoleh nilai sicnifycancy 0.000 yang berari bahwa korelasi antara umur ibu dengan dengan tekanan darah sistolik adalah bermaknadengan nilai korelasi spearman adalah 0.77 menunjukkan bahwa arah korelasi positif dengan kekuatan lemah.
Teori :
Semakin tinggi umur seseorang semakin tinggi tekanan darahnya, jadi orang yang lebih tua cenderung mempunyai tekanan darah yang tinggi dari orang yang berusia lebih muda. Hipertensi pada usia lanjut harus ditangani secara khusus. Hal ini disebabkan pada usia tersebut ginjal dan hati mulai menurun, karena itu dosis obat yang diberikan harus benar-benar tepat. Tetapi pada kebanyakan kasus , hipertensi banyak terjadi pada usia lanjut. Pada wanita, hipertensi sering terjadi pada usia diatas 50 tahun. Hal ini disebabkan terjadinya perubahan hormon sesudah menopause.
Hanns Peter (2009) mengemukakan bahwa kondisi yang berkaitan dengan usia ini adalah produk samping dari keausan arteriosklerosis dari arteri-arteri utama, terutama aorta, dan akibat dari berkurangnya kelenturan. Dengan mengerasnya arteri-arteri ini dan menjadi semakin kaku, arteri dan aorta itu kehilangan daya penyesuaian diri.WHO-ANTHRO
Prevalensi Status Gizi
1. Berdasarkan Pengkategorian Status Gizi (BB/TB) 25,5% terdapat Sangat Kurus, 46,8% Normal, 21,2% Gemuk.
2. Berdasarkan Pengkategorian Status Gizi (TB/U) terdapat 30,9% Pendek, 47,0% Normal , 21,7% Tinggi.
3. Berdasarkan Pengkategorian Status Gizi (BB/U) terdapat 27,8% gizi Kurang , 56,7% Gizi Baik , 15,2% Gizi lebih.
Prevalensi Sifat Masalah Gizi (Akut & Kronis, Kronis, Akut, dan Normal)
Berdasarkan Pengkategorian Sifat Akut dan Kronis terdapat 8,5% orang Akut dan Kronis, 15,3% Kronis, 10,3% Akut, 58,3% Normal.
SEE MORE...........
