1. Export Data
- Open Epidata
- Klik Export Data → SPSS → Pilih file
- Open SPSS
- Klik File → Open → Syntax → Pilih file
- Pada Syntax klik Run → All
- Block mulai dari variabel sampai execute → Copy
- Klik File → Open → New → Syntax → Paste → Save
- Close syntax yang lama
- Pada Syntax yang baru, jelaskan label variabel, contoh:
"3. Pekerjaan Ibu Responden :" menjadi "Pekerjaan Ibu Responden"
- Block → Run Current
- Pada Syntax, jelaskan variabel, contoh:
ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/Tani/Nelayan' 6 'Lain2' .
- Block → Run Current
Total Record : 16.287
2. Cleaning Data Variabel Kategorik
- Klik Frequency pada Toolbar
- Pilih variabel
- Perhatikan data yang missing data dan data yang tidak logis
- Pada Toolbar klik Goto Data
- Klik Data → Sort Cases
- Masukkan variabel yang akan di cleaning
- Tandai pada Ascending → Ok
- Perhatikan data missing atau data yang tidak logis → Block rows → Klik kanan → Clear
- Untuk melihat hasil cleaning klik kembali pada Frequency → Masukkan variabel → Ok
Tabel 1. Cleaning data variabel kategorik
No. | Cleaning Data | Missing | Di luar kriteria | Total Record | |
Sebelum cleaning | Setelah cleaning | ||||
1 | Pekerjaan | 16 | 0 | 16.287 | 16.271 |
2 | Pendidikan | 2 | 4 | 16.271 | 16.265 |
3 | Golongan Darah | 0 | 25 | 16.265 | 16.240 |
4 | Pernah Periksa Kehamilan | 1 | 477 | 16.240 | 15.762 |
5 | Akseptor KB | 15 | 1 | 15.762 | 15.764 |
6. | Kontrasepsi yang Dipakai | 5.608 | 5 | 15.764 | 10.133 |
7. | Tidak Akseptor KB tetapi Menggunakan KB | 0 | 469 | 10.133 | 9664 |
8. | Alasan tidak ber-KB | 0 | 34 | 9.664 | 9630 |
9. | Rencana Tempat Melahirkan | 46 | 6 | 9.630 | 9578 |
Total Record Setelah Cleaning Variabel Kategorik = 9.578
3. Cleaning Data Variabel Numerik
- Klik Frequency pada Toolbar
- Pilih variabel
- Perhatikan data yang missing data dan data yang tidak logis
- Pada Toolbar klik Goto Data
- Klik Data → Sort Cases
- Masukkan variabel yang akan di cleaning
- Tandai pada Ascending → Ok
- Perhatikan data missing atau data yang tidak logis → Block rows → Klik kanan → Clear
- Untuk melihat hasil cleaning klik kembali pada Frequency → Masukkan variabel → Ok
Tabel 2. Cleaning data variabel numerik
No. | Variabel | Kriteria Variabel | Missing | Di luar Kategori | Record | |
Sebelum Cleaning | Setelah Cleaning | |||||
1 | Umur | 15-45 tahun | 19 | 0 | 9.578 | 9.559 |
2 | TB | 140-180 cm | 0 | 6 | 9.559 | 9.553 |
3 | BB | 40-90 kg | 0 | 62 | 9.553 | 9.491 |
4 | TD sistolik | 90-170 mmHg | 22 | 29 | 9.491 | 9.240 |
5 | TD diastolic | 50-120 mmHg | 7 | 239 | 9.240 | 8.994 |
6 | Kadar Hb | 8-14 | 2 | 51 | 8.994 | 8.941 |
7 | K1 | > 1 kali | 47 | 27 | 8.941 | 8.867 |
8 | Frekuensi Pemeriksaan Kehamilan | > 1 | 26 | 1 | 8.867 | 8.840 |
Total Record Setelah Cleaning Variabel Numerik =
8.840
Pada variabel K1 dibuat untuk menghindari resiko data yang tidak logis, yaitu ibu yang tidak memeriksakan kehamilan ternyata ada yang melakukan pemeriksaan TFU, pengukuran TB, TD, pemberian tablet Fe dan Imnunisasi TT, caranya:
- Klik Transform → Compute Variabel
- Pada Target Variable ketik Pemeriksaan Pertama
- Pada Numeric Expression masukkan variabel yang akan di compute, yaitu:
FUNDUS + UKURTB + CPENGUKU + TFE + TT
- Ok
- Pada Syntax jelaskan label
COMPUTE K1 = FUNDUS + UKURTB + CPENGUKU + TFE + TT .
VARIABLE LABELS K1 'Pemeriksaan Pertama' .
ADD VALUE LABELS K1 1 '1 Kali' 2 '2 Kali' 3 '3 Kali' 4 '4 Kali' 5 '5 Kali' .
- Block → Run Current
4. Analisa Univariat Variabel Kategorikal
Tabel 3. Distribusi Sampel menurut Jenis Pekerjaan
No | PEKERJAAN RESPONDEN | JUMLAH | PERSENTASE |
1 | PNS | 2.267 | 25.6 |
2 | SWASTA | 1.445 | 16.3 |
3 | WIRASWASTA | 1.629 | 18.4 |
4 | PEDAGANG | 1.148 | 13.0 |
5 | BURUH/TANI./NELAYAN | 654 | 7.4 |
6 | LAIN-LAIN | 1.697 | 19.2 |
JUMLAH | 8840 | 100.0 | |
Kesimpulan: Pekerjaan responden yang paling banyak adalah PNS.
5. Analisis Univariat Variabel Numerik
- Klik Analyze → Descriptive Statistics → Descriptives
- Pilih variabel-variabel numeric yang akan dimasukkan
- Pada Option tandai Mean, Std. deviation, Variance, Range, Minimun, Maximum, S. E. mean, Skewness → Continue
- Ok
Tabel 4. Distribusi Sampel Menurut Variabel Numerik
No | Variabel | Range | Minimum | Maximum | Rata-rata |
1 | Umur Ibu (tahun) | 30 | 15 | 45 | 28.29 |
2 | Tinggi Badan (cm) | 40.0 | 140.0 | 180.0 | 158.62 |
3 | Berat Badan (kg) | 48.9 | 40.0 | 88.9 | 56.21 |
4 | TD Sistolik | 80 | 90 | 170 | 117.85 |
5 | TD Diastolik | 70 | 50 | 120 | 80.85 |
6 | Kadar HB | 6.0 | 8.0 | 14.0 | 11.64 |
7 | Frekuensi Pemeriksaan Pertama | 24 | 1 | 25 | 4.50 |
8 | Pemeriksaan Pertama | 4 | 1 | 5 | 4.53 |
6. Transformasi Data
- Klik Transform → Recode Into Different Variables
- Pada Input Variable pilih variabel yang akan diubah
- Pada Output Variable ketik nama variabel baru dan label baru
- Klik Old and New Values
- Masukkan kode lama menjadi kode baru → Continue → Ok
- Kemudian pilih paste
- Pada Syntax jelaskan label dengan cara Add Value Labels
7. Compute
- Klik Transform → Compute Variabel
- Pada Target Variable ketik IMT
- Pada Numeric Expression masukkan variabel yang akan di compute, yaitu:
IMT = BB / ((TB / 100) * (TB / 100))
- Ok
- Pada Syntax jelaskan label
RECODE
IMT
(Lowest thru 18.499=1) (18.5 thru 25.000=2) (25.001 thru Highest=3) INTO
IMT2 .
VARIABLE LABELS IMT2 'Indeks Massa Tubuh'.
ADD VALUE LABELS IMT2 1 'Kurus' 2 'Normal' 3 'Gemuk'.
EXECUTE .
- Block → Run Current
8. Analisa Bivariat
1. UNTUK MENGETAHUI HUBUNGAN PENDIDIKAN DENGAN PEKERJAAN
a. Independent : Pedidikan
Dependent : Pekerjaan
b. Identifikasi field
- Didik
- Kerja
c. Karakteristik field
- Didik → K
- Kerja → K
d. Ho Pengujian : tidak ada perbedaan proporsi pendidikan dengan pekerjaan
e. Apabila terdapat variable numeric lakukan uji normality.
f. Uji Statistik yang digunakan adalah Chi-square dengan hasil:
P = 0.000
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara proporsi pendidikan dengan pekerjaan
JADI ada hubungan antara proporsi pendidikan dengan pekerjaan
2. UNTUK MENGETAHUI HUBUNGAN ANTARA UMUR DENGAN KADAR HB
a. Independent : Umur
Dependent : Kadar HB
b. Identifikasi field
- Umur
- Kadar HB
c. Karakteristik field
- UMUR → N diubah menjadi UMUR2 → K
- HB → N diubah menjadi HB2 → K
d. Ho Pengujian : tidak ada perbedaan proporsi antara umur dengan kadar HB
e. Apabila terdapat variable numeric lakukan uji normality.
f. Uji Statistik yang digunakan adalah Chi-square, dengan hasil:
P = 0.000
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara umur dengan kadar HB
JADI ada hubungan antara antara umur dengan kadar HB
3. UNTUK MENGETAHUI HUBUNGAN ANTARA TINGKAT PENDIDIKAN DENGAN KONTRASEPSI YANG DIPILIH DALAM BER-KB
a. Independent : Tingkat Pendidikan
Dependent : Kontrasepsi yang dipilih
b. Identifikasi field
- Didik2
- Kerja
c. Karakteristik field
- DIDIK2 → K
- KSEPSI → K
d. Ho Pengujian : tidak ada perbedaan proporsi antara pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
e. Apabila terdapat variable numeric lakukan uji normality.
f. Uji Statistik yang digunakan adalah Chi-square. Uji Chi-square masih layak digunakan karena nilai expected yang kurang dari 5 tidak lebih dari 20%, hanya 10%, dengan hasil:
P = 0.000
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
JADI ada hubungan antara tingkat pendidikan dengan kontrasepsi yang dipilih dalam ber-KB
4. UNTUK MENGETAHUI PERNAH ATAU TIDAK MENGKONSUMSI TABLET FE DENGAN KADAR HB
a. Independent : Konsumsi tablet Fe
Dependent : Kadar HB
b. Identifikasi field
- TFE
- HB
c. Karakteristik field
- TFE → K
- HB → N
d. Ho Pengujian : tidak ada perbedaan proporsi antara pernah atau tidak konsumsi tablet Fe dengan kadar Hb.
e. Apabila terdapat variable numeric lakukan uji normality.
Setelah dilakukan uji normality ternyata data masih tidak bersidtribusi normal, dapat dilihat pada gambar boxplot. Oleh karena itu dipilih cara lain dengan mengubah variabel numeric (Kadar HB) menjadi variabel kategorik (Klasifikasi HB)
f. Uji statistik yang digunakan adalah Chi-square
P = 0.003
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara pernah atau tidak konsumsi tablet Fe dengan kadar Hb.
JADI ada hubungan antara pernah atau tidak konsumsi tablet Fe dengan kadar Hb.
5. UNTUK MENGETAHUI HUBUNGAN TEKANAN DARAH SISTOLIK DENGAN GOLONGAN DARAH
a. Independent : Tekanan Darah Sistolik
Dependent : Golongan Darah
b. Identifikasi field
- SISTOL
- DARAH
c. Karakteristik field
- SISTOL → N
- DARAH → K
d. Ho Pengujian : tidak ada perbedaan proporsi antara tekanan darah sistolik dengan golongan darah.
e. Apabila terdapat variable numeric lakukan uji normality.
f. Uji statistik yang ingin digunakan adalah Chi-square, maka variabel numeric (TD Sistol) diubah ke variabel kategorik (Hipertensi Sistolik)
P = 0.000
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara tekanan darah sistolik dengan golongan darah.
JADI ada hubungan antara antara tekanan darah sistolik dengan golongan darah.
UNTUK MENGETAHUI HUBUNGAN TEKANAN DARAH DIASTOLIK DENGAN GOLONGAN DARAH
a. Independent : Tekanan Darah Diastolik
Dependent : Golongan Darah
b. Identifikasi field
- DIASTOL
- DARAH
c. Karakteristik field
- DIASTOL → N
- DARAH → K
d. Ho Pengujian : tidak ada perbedaan proporsi antara tekanan darah diastolik dengan golongan darah.
e. Apabila terdapat variable numeric lakukan uji normality.
f. Uji statistik yang ingin digunakan adalah Chi-square, maka variabel numeric (TD Diastol) diubah ke variabel kategorik (Hipertensi Sistolik)
P = 0.000
α= 0.05
P < α
g. Ho ditolak: ada perbedaan proporsi antara tekanan darah diastolik dengan golongan darah.
JADI ada hubungan antara antara tekanan darah diastolik dengan golongan darah.
Sekali lagi, jika Anda ingin melihat lebih lengkap mengenai contoh SPSS di atas ( Data SPSS, Syntax SPSS, Output SPSS dan Langkah-langkah ) silahkan Klik Disini yaaa ^_^
