1. Export file data dari Epidata ke SPSS
· Buka file data dari epidata yang telah diisi sebelumnya
· Pilih File → Close Form
· Klik Export Data pada menu no.6
· Pilihlah jenis data yang kita inginkan,yaitu SPSS
· OK
2. Langkah-langkah cleaning data
· Klik Analyze pada Toolbar, pilih Descriptive Statistic lalu Frekuensi
· Pilihlah data apa yang ingin kita ketahui jumlah nilai yang tidak valid dan nilai missing, OK
· Pilihlah Sort Case pada menu Data di Toolbar
· Pilih data yang sesuai, urutkan secara ascending
· OK
Jumlah data : 15.896
Cleaning data kategorik
1) Pekerjaan ibu
2) Pendidikan ibu
3) Golongan darah
4) Pernah periksa kehamilan
5) Pengukuran TFU
6) Pengukuran TB
7) Pengukuran Tensi
8) Pemberian TFE
9) Imunsasi TT
10) Akseptor KB
11) Jenis KB
12) Rencana melahirkan
Cleaning data numerik
13) Umur
14) TB
15) BB
16) Sistole
17) Diastole
18) Kadar Hb
19) Frekuensi pemeriksaan
3. Cleaning data
Langkah2 memberi batasan pada data numerik
· Klik Transform, lalu pilihlah Recode → Into Different Variables
· Pilih salah satu variable numerik
· Isilah Name dan Label pada kolom Output Variable, klik Change
· Lalu klik Old and New Values
· Pada kotak Range Lowest Through dan Range Highest Through isikan batasan yang kita inginkan, klik poin System-Missing, klik Add
· Klik poin All other values, klik Copy old value, Add
· Klik Continue → OK
· Lakukan juga pada variable lain yang ingin diberi batasan
Cleaning data kategorik
1. Pengentri (Di luar kategorik)
v Data Awal : 15896
v Missing : -
v Luar kategori : 3 (Tanpa nama)
v Sisa : 15893
2. Pekerjaan ibu
v Data Awal : 15893
v Missing : 19
v Luar kategori : -
v Sisa : 15874
3. Pendidikan ibu
v Data Awal : 15874
v Missing : -
v Luar kategori : 4 (tidak ada dalam pilihan)
v Sisa : 15870
4. Golongan darah
v Data Awal : 15874
v Missing : -
v Luar kategori : 6 (selain A,B,AB,O)
v Sisa : 15860
5. Pernah periksa kehamilan
v Data Awal : 15860
v Missing : 4
v Luar kategori : -
v Sisa : 15860
6. Pengukuran TFU
v Data Awal : 15860
v Missing : 1
v Luar kategori : 31
v Sisa : 15828
7. Pengukuran TB
v Data Awal : 15828
v Missing : 272 (tidak dihapus)
v Luar kategori : -
v Sisa : 15828
8. Pengukuran Tensi
v Data Awal : 15828
v Missing : 275 (dihapus 3)
v Luar kategori : -
v Sisa : 15825
9. Pemberian TFE
v Data Awal : 15825
v Missing : 272 (tidak dihapus)
v Luar kategori : -
v Sisa : 15825
10. Imunsasi TT
v Data Awal : 15825
v Missing : 322 (dihapus 50)
v Luar kategori : -
v Sisa : 15775
11. Akseptor KB
v Data Awal : 15775
v Missing : 10
v Luar kategori : -
v Sisa : 15765
12. Jenis KB
v Data Awal : 15765
v Missing : 3899 (dihapus 39)
v Luar kategori : 5 (ada yang tidak ber-KB tetapi ada jenis kontrasepsi)
v Sisa : 15721
13. Rencana melahirkan
v Data Awal : 15721
v Missing : 164
v Luar kategori : 5 (tidak ada dalam pilihan)
v Sisa : 15552
Cleaning data numerik
14. Umur (20-35)
v Data Awal : 15552
v Missing : 1319
v Luar kategori : -
v Sisa : 14233
15. TB (140 – 180 cm)
v Data Awal : 14233
v Missing : 4
v Luar kategori : -
v Sisa : 14229
16. BB (40 – 80 kg)
v Data Awal : 14229
v Missing : 69
v Luar kategori : -
v Sisa : 14160
17. Sistole (100 – 170 mmHg)
v Data Awal : 14160
v Missing : 414
v Luar kategori : -
v Sisa : 13746
18. Diastole (60 – 110 mmHg)
v Data Awal : 13746
v Missing : 115
v Luar kategori : -
v Sisa : 13631
19. Kadar Hb (8 – 14 gr%)
v Data Awal : 13631
v Missing : 74
v Luar kategori : -
v Sisa : 13557
20. Frekuensi Pemeriksaan Kehamilan
v Data Awal : 13557
v Missing : 334 (dihapus 7)
v Luar kategori : -
v Sisa : 13550
4. Langkah analisis univariate
o Pilih Analyze → Descriptive Statistic → Frequencies
o Pilih salah satu variable, ex : Pendidikan Ibu
o Klik Statistic, pada kolom Central Tendency checklist Mean, Median dan Mode
o Pada kolom Dispersion checklist Minimum dan Maximum
o Continue
o Klik Chart, pilih histogram pada kolom Chart Type tanpa mencheck list With Normal Curve
o Continue, Ok
5. Analisis univariate numeric
o Pilih Analyze → Descriptive Statistic → Descriptive
o Pilihlah data numeric yang ingin dianalisis
o OK
- Umur rata rata dari ibu hamil yang berusia 20-35 tahun didapatkan 27 tahun
- TB ibu hamil 140-180 cm didapatkan rata-rata 158.2 cm
- BB ibu hamil 40-80 kg didapatkan rata-ratanya 54.8 kg
- Sistole ibu hamil 100-170 mmHg didapatkan rata-ratanya 116,2 mmHg
- Diastole ibu hamil 60-110 mmHg didapatkan rata-ratanya 80,7 mmHg
- Kadar HB ibu hamil umur 15-45 tahun di dapatkan rata-ratanya 11.2 gr%
- Frekuensi pemeriksaan kehamilan rata-ratanya 6,2 kali
6. Tranformasi data variabel kategorik dan numerik
- Pekerjaan à (1)bekerja , (2)tidak bekerja
- Pendidikan à(1)rendah, (2)tinggi
- Umur à (1)resti, (2) tidak resti
Langkah-langkah transformasi data
· Pilih Transform lalu Recode → into the same variable
· Pilih salah satu variabel yang akan di transformasikan misalnya pekerjaan ibu
· Ubahlah nama dan label, klik change
· Pilih Old and New Variables
· Masukan kode lama variabel pilihan pada kotak Old value (Value), lalu kode baru ke kotak New Value (Value), pilih Add setiap selesai merubah value
- PNS (1) à (1) bekerja
- Swasta (2) à (1) bekerja
- Wiraswasta (3) à (1) bekerja
- Pedagang (4) à (1) bekerja
- Buruh/Tani/Nelayan (5) à (1) bekerja
- Lain2 (6) à (2) tidak bekerja
· Pilih continue, pilih OK
· Ulangi membuka jendela transform, recode, into the different variables dan klik Paste, agar perintah tercopy ke dalam syntax
· Buka Syntax lalu tambahkan dibawah VARIABLE LABELS à ADD VALUE LABELS NamaLabel Kode1'LabelKodeBaru1' Kode2'LabelKodeBaru2'.
Contoh :
RECODE
KERJA
(1=1) (2=1) (3=1) (4=1) (5=1) (6=2) INTO kerja2 .
VARIABLE LABELS kerja2 'Pekerjaan Ibu'.
ADD VALUE LABELS kerja2 1'Bekerja' 2'Tidak Bekerja'.
EXECUTE .
· Untuk numeric dapat menggunakan batasan Range yang tersedia dengan langkah yang sama.
7. Menghitung variabel IMT
ü Pilih Transform pada Toolbar lalu pilih Compute
ü Isikan nama target variable, yaitu imt
ü Pilih type&label, masukkan label, yaitu: indeks massa tubuh
ü Pada kolom Numeric Expression buatlah rumus IMT
ex : IMT=BB / ((TB / 100) * (TB / 100)).
ü Pilih Ok
ü Lakukan transformasi data kembali
8. Analisis bivariate
- Tujuan : Untuk mengetahui hubungan pendidikan ibu dengan pekerjaan ibu
1. Independen : pendidikan ibu
Dependen : pekerjaan ibu
2. Field
· didik : pendidikan ibu
· kerja : pekerjaan ibu
3. Karekteristik field
· didik : K
· kerja : K
4. Uji / analisis sementara
Uji beda proporsi
5. –
6. Hipotesis pengujian pada CI
Tidak ada perbedaan proporsi antara tingkat pendidikan ibu dengan jenis pekerjaan ibu
P= 0,000 → p<0,05 , berarti ada hubungan antara tingkat pendidikan dan pekerjaan ibu
- Tujuan : Untuk mengetahui hubungan antara umur ibu dengan kadar Hb
1. Independen : umur ibu
Dependen : kadar HB
2. Field
· Umur1 : umur ibu hamil
· Hb1 : kadar hb ibu hamil
3. Karekteristik field
· Umur1 : N
· Hb1 : N
4. Uji / analisis sementara
Uji korelasi (Uji T berpasangan)
5. Uji Normality : p<0,05 → sebaran data tidak normal lakukan uji wilcoxon
6. Hipotesis pengujian pada CI
Tidak ada hubungan antara umur dan kadar Hb
P<0,05 , berarti ada hubungan antara umur ibu dengan kadar Hb
C. Tujuan : Untuk mengetahui hubungan antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
1. Independen : tingkat pendidikan
Dependen : kontrasepsi yang dipilih dalam ber-KB
2. Field
· didik : pendidikan ibu
· ksepsi : jenis kontrasepsi
3. Karekteristik field
· didik : K
· ksepsi : K
4. Uji / analisis sementara
Uji beda proporsi
5. –
6. Hipotesis pengujian pada CI
Tidak ada perbedaan proporsi antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
P= 0,000 → p<0,05 , berarti ada hubungan antara tingkat pendidikan dan kontrasepsi yang dipilih dalam ber-KB
D. Tujuan : Untuk mengetahui hubungan antara pernah atau tidak dapat tablet Fe dengan kadar Hb dalam darah ibu hamil
1. Independen : pernah atau tidak dapat tablet Fe
Dependen : kadar Hb dalam darah
2. Field
· tfe : pernah atau tidak dapat tablet Fe
· hb1 : hb ibu hamil
3. Karekteristik field
· Tfe : K
· hb2 : N
4. Uji / analisis sementara
Uji beda rata-rata (uji T tidak berpasangan)
5. Uji normality : p<0,05 → sebaran data tidak normal lakukan uji Mann-Whitney
6. Hipotesis pengujian pada CI
Tidak ada hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb dalam darah ibu hamil
P= 0,05, berarti ada hubungan antara pernah atau tidak mendapat tablet Fe dengan kadar Hb dalam darah ibu
E. Tujuan : Untuk mengetahui hubungan antara tekanan darah (sistolik/diastolik) dengan golongan darah
1. Independen : tekanan darah (sistolik)
Dependen : golongan darah
2. Field
· Sistol1 : tekanan darah (sistolik)
· Darah : golongan darah
3. Karekteristik field
· Sistol1 : N
· Darah : K
4. Uji / analisis sementara
Uji beda rata-rata (uji T tidak berpasangan)
5. Uji normality : p<0,05 → sebaran data tidak normal
6. Hipotesis pengujian pada CI
Tidak ada hubungan antara tekanan darah sistolik dengan golongan darah ibu
1. Independen : tekanan darah (diastolik)
Dependen : golongan darah
2. Field
· diastol1 : tekanan darah (diastolik)
· Darah : golongan darah
3. Karekteristik field
· Sistol1 : N
· Darah : K
4. Uji / analisis sementara
Uji beda rata-rata (uji T tidak berpasangan)
5. Uji normality : p<0,05 → sebaran data tidak normal
6. Hipotesis pengujian pada CI
Tidak ada hubungan antara tekanan darah diastolik dengan golongan darah ibu
Untuk data lebih lengkap tentang SPSS bida di downoad disini
::: Data SPSS
::: Syntax SPSS
