Senandung Bianglala

Di Tikungan ini teman...
Ku mulai perjalanan mengukir sebingkai cerita
tentang kisah sebuah nama...

Indah teman...
Di kala putihnya salju.
bertaburan di kelopak mawar menghiasi tepian kalbu...
Tembang penuh harap bersenandung pada siulan angin,
Nenyemarakkan cerah bianglala yang tergores di tepian relung hati...

Namun teman...
Segumpal keraguan bergayut di mendung jiwa,
Apakah ini sebuah fatamorgana ?
Yang sesungguhnya hanya ada lolongan bait kesedihan,
Dan suatu saat akan menjadi tombaak kematian?

Sungguh teman...
Walaupun nyanyian dunia maya hanya sebuah ritual di altar kehidupan,
Namun sebuah nama tetap abadi, abadi di galeri istana hati ~

LAPORAN UAS KOMPUTER LANJUT

1.      Identitas Mahasiswa

Nama        : Rozaliny Asri

NIM           : 102114342

2.      Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah GENAP.rec

3.      File hasil eksport Epidata ke SPSS berekstensi sps dengan nama file GENAP

4.      File syntax GENAP.sps dieksport ke SPSS dan disimpan dengan nama Rozaliny Asri dan ekstensi sav.

5.      File data Rozaliny Asri.sav berisi 39 field dan 8390 record. Data kategorik sebanyak 27 field dan data numerik sebanyak 12 field.

6.      berdasarkan perintah no 6 maka saya membuat file syntax baru yang di copy dari file syntax GENAP. Pada file syntax ini saya melakukan pengeditan pada variabel labels dan data yang dirasa tidak perlu saya delete. File syntax baru bernama Rozaliny Asri. Dari langkah ini sampai terakhir saya menggunakan syntax baru (Rozaliny Asri).

Pembuatan value labels untuk 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 'Lain2'.

ADD VALUE LABELS Pernah 1 'Pernah' 2 'Tidak'.

ADD VALUE LABELS Fundus 0 'Tidak' 1 'Ya'.

ADD VALUE LABELS Ukurtb 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.      Catat disini jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8380 record.

8.      Jumlah field sebelum kerja yg missing adalah 8380 dan setelah field kerja dicleaning adalah 8378 record.

9.      Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8378 record dan setelah dilakukan penghapusan field sistol yang missing tersisa 7127 record

10.  Jumlah record sebelum di delete diastol yang missing adalah sebanyak 7127 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 6956 record

11.  2 digit terakhir NIM saya adalah : 42

1 digit terakhir adalah : Genap     

13. Jumlah record tersisa setelah di delete sebanya 50 record mulai dari 2 digit NIM adalah 6906 record.

14. distribusi frekuensikan variabel pendidikan ibu. output tabel distribusi frekuensi tersebut dalam lembar jawaban disini, berserta komentar singkat di bawah tabel. 

     Komentar : berdasarkan tabel di atas, dapat disimpulkan bahwa pendidikan ibu yang jumlahnya paling banyak adalah perguruan tinggi dengan jumlah 2993 orang berpendidikan perguruan tinggi. Sedangkan pendidikan ibu yang jumlahnya paling sedikit adalah BH/SD dengan jumlah 197 orang berpendidikan BH/SD.

 15. syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan, disertai komentar.

*Penyederhanaan Kategori Pendidikan .

RECODE

  DIDIK

  (0=1)  (2=1)  (3=2)  (4=2)  INTO  didik2 .

VARIABLE LABELS didik2 'pendidikan ibu 2 tingkatan'.

ADD VALUE LABELS didik2 1 'Rendah' 2 'Tinggi' .

EXECUTE .

  

   Komentar : berdasarkan tabel di atas, dapat disimpulkan bahwa jumlah pendidikan ibu yang dikelompokkan pendidikan rendah adalah 927 orang. Sedangkan jumlah pendidikan ibu yang dikelompokkan pendidikan tinggi adalah 5979 orang

 16. lakukan cleaning data pada 5 field berikut. cantumkan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning

a. darah : jumlah record sebelum didelete 6906 record dan sesudah didelete yang missing tersisa 6902 record.

b. pernah : jumlah record sebelum didelete 6902 record dan sesudah didelete yang missing tersisa 6901 record

c. akseptor : jumlah record sebelum didelete 6901 record dan sesudah didelete yang missing tersisa 6895 record

d. alasan : jumlah record sebelum didelete 6895 record dan sesudah didelete yang missing tersisa 6882 record

e. rencana : jumlah record sebelum didelete 6882 record dan sesudah didelete yang missing tersisa 6825 record.

     jadi, jumlah record sebelum didelete 6906 record dan sesudah didelete yang missing tersisa 6825 record.

 17. lakukan cleaning pada variabel berikut. tulis perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB)

A. Hb : jumlah record sebelum didelete 6825 record dan sesudah didelete yang missing tersisa 6799 record.

b. TB : jumlah record sebelum didelete 6799 record dan sesudah didelete yang missing tersisa 6796 record

c. BB : jumlah record sebelum didelete 6796 record dan sesudah didelete yang missing tersisa 6780 record

 18. langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan perubahan record yang terjadi (record inconsistensi harus didelete).

          a. distribusi frekuensikan field pernah dan statistik frekuensikan field kali. 

 b. Yang pernah memeriksakan kehamilan harus sama jumlahnya dengan data valid pada tabel frekuensi pemeriksaan kehamilan. Sedangkan yang tidang memeriksakan kehamilan harus sama jumlahnya dengan jumlah missing pada tabel frekuensi pemeriksaan kehamilan.

c. dicari data yang tidak memeriksakan kehamilan, tetapi pada frekuensi kehamilan di isi frekuensi pemeriksaannya. Field pemeriksaan kehamilan di sort descending dan field frekuensi pemeriksaan kehamilan di sort descending.

d. maka didapatkan 161 data yang tidak memeriksakan kehamilan, tetapi mengisi frekuensi pemeriksaan kehamilan. Maka hasil tersebut di clear.

e. perubahan record yang terjadi : sebelum di cleaning 6780 record, sesudah di cleaning 6619 record.

19. langkah-langkah melakukan cleaning data untuk mengecek memeriksa konsistensi antara pernah memeriksakan kehamilan dengan pernah atau tidak mendapatkan 5T.

a. distribusi frekuensikan field pernah beserta field fundus, ukur TB, tensi, Tfe dan TT.

b. Dari hasil distribusi frekuensi di dapatkan bahwa jumlah yang memeriksa kehamilan adalah 6427 orang dan yang tidak memeriksakan kehamilan adalah 192 orang. Yang pernah atau tidak mendapatkan pemeriksaan 5T adalah 6452 orang, sedangkan yang tidak ditanyakan tentang pemeriksaan 5T sebanyak 167 orang. Berarti ada yang tidak pernah melakukan pemeriksaan kehamilan, tetapi ditanya apakah mendapatkan pelayanan 5T. Seharusnya yang ditanya apakah mendapatkan pelayanan 5T adalah yang pernah memeriksakan kehamilan saja. Berarti yang menjawab Ya dan Tidak pada 5 T harus sama dengan yang pernah memeriksakan kehamilan.

c. dicari data yang tidak pernah memeriksakan kehamilan, tetapi ditanyakan apakah mendapatkan pelayanan 5T. Field pemeriksaan kehamilan di sort descending dan field pelayanan 5T  (fundus, ukur TB, tensi, Tfe dan TT) di sort descending juga.

        d. maka didapatkan 25 record yang inconsistensi Maka hasil tersebut di clear.

      e. perubahan record yang terjadi : sebelum di cleaning 6619 record, sesudah di cleaning 6594 record

20. Langkah-langkah untuk memeriksa konsistensi atara pertanyaa (field) akseptor, kontrasepsi dan alasan tidak ber-KB.

 a. distribusi frekuensikan field akseptor, kontrasepsi dan alasan tidak ber-KB.

 c. Ketentuannya adalah jumlah yang memakai akseptor KB harus sama dengan Jumlah Jenis Kontrasepsi yang di pakai dan Jumlah missing system pada alasan tidak menggunakan akseptor KB.

 d. maka dicari yang tidak menggunakan akseptor KB, tetapi memilih salah satu Jenis akseptor yang dipakai serta tidak mencantumkan alasan. Field akseptor di sort ascending, field kontrasepsi di sort descending, dan alasan di sort ascending.

        e. maka didapatkan 96 record yang inconsistensi Maka hasil tersebut di clear.

  f. perubahan record yang terjadi : sebelum di cleaning 6593 record, sesudah di cleaning 6497 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.

*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 .

Komentar : dari tabel di atas dapat disimpulkan bahwa ibu hamil yang memiliki jumlah Kelompok IMT paling banyak adalah kelompok normal yaitu sejumlah 5923 record. Dan yang paling sedikit adalah kelompok IMT Sangat kurus yaitu sejumlah 24 record. Hal ini dilihat dari penegelompokkan IMT ibu hamil dalam 5 Kategori.

 Komentar : dari tabel di atas dapat disimpulkan bahwa anak yang memiliki jumlah Kelompok IMT paling banyak adalah kelompok sangat kurus yaitu sejumlah 4294 record. Dan yang paling sedikit adalah kelompok IMT Gemuk yaitu sejumlah 74 record. Hal ini dilihat dari penegelompokkan IMT anak dalam 5 Kategori.

Komentar : dari tabel di atas dapat disimpulkan bahwa ibu yang memiliki jumlah Kelompok IMT paling banyak adalah kelompok normal yaitu sejumlah 5923 record. Dan yang paling sedikit adalah kelompok IMT Kurang yaitu sejumlah 185 record. Hal ini dilihat dari penegelompokkan IMT ibu dalam 3 kategori

Komentar : dari tabel di atas dapat disimpulkan bahwa anak yang memiliki jumlah Kelompok IMT paling banyak adalah kelompok kurang yaitu sejumlah 4908 record. Dan yang paling sedikit adalah kelompok IMT Lebih yaitu sejumlah 384 record. Hal ini dilihat dari penegelompokkan IMT anak dalam 3 kategori.

ANALISIS BIVARIAT

1.    Tujuan penelitian : mengetahui hubungan antara pendidikan dengan pekerjaan yang dimiliki responden

a.    identifikasi variabel dalam tujuan : Variabel independen adalah pendidikan responden dan Variabel dependen adalah pekerjaan yang dimiliki responden.

b.    Identifikasi field dalam database : pendidikan responden fieldnya adalah  didik dan pekerjaan responden fieldnya adalah kerja

c.    Tentukan karakteristik field : field Didik adalah data kategorik dan field Kerja adalah data kategorik

d.    Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda proporsi. Makin tinggi pendidikan responden maka makin tinggi pekerjaan responden. HO pengujian : tidak ada perbedaan proporsi responden yang memiliki perkejaan antara responden yang tamat SD,SLTP,SLTA dan Perguruan Tinggi.

e.    Uji normality : –

f.      Lakukan uji, baca hasil, dan interpretasikan.

 Komentar : Dari pengujian di atas dapat disimpulkan bahwa dalam penelitian ini digunakan uji chi-square karena tidak ada nilai expected yang nilainya kurang dari lima. Dari tabel uji chi-square nilai yang digunakan adalah nilai Pearson Chi-Square. Karena hasilnya adalah p<0.05 maka H0 ditolak, ada perbedaan proporsi responden yang memiliki perkejaan antara responden yang tamat SD,SLTP,SLTA dan Perguruan Tinggi. Ini di tandai dengan jumlah sampel yang berpendidikan Perguruan Tinggi memiliki jenis pekerjaan paling banyak sebagai PNS berjumlah 1692 responden. Sedangkan jumlah sampel yang berpendidikan BH/SD memiliki jenis pekerjaan paling sedikit sebagai PNS dan Swasta yaitu hanya 1 responden.

g.    Kesimpulan : ada perbedaan proporsi ibu yang memiliki pekerjaan antara ibu yang tamat SD, SLTP,SLTA dan Perguruan Tinggi. 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 paling banyak sebagai PNS berjumlah 1692 responden. Sedangkan jumlah sampel yang berpendidikan BH/SD memiliki jenis pekerjaan paling sedikit sebagai PNS dan Swasta yaitu hanya 1 responden.

2.    Tujuan penelitian : mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih Ibu untuk ber-KB

a. identifikasi variabel dalam tujuan : Variabel independen adalah pekerjaan ibu dan Variabel dependen adalah kontrasepsi yang dipakai ibu untuk ber-KB.

b.    Identifikasi field dalam database : pekerjaan ibu fieldnya adalah kerja dan kontrasepsi yang dipakai fieldnya adalah ksepsi.

c.  Tentukan karakteristik field : field Kerja adalah data kategorik dan field Ksepsi adalah data kategorik.

d.  Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda proporsi (Chi-Square). Teori yang relevan : Makin baik pekerjaan ibu maka makin bagus kontrasepsi yang dipakai ibu. HO pengujian : tidak ada perbedaan proporsi ibu yang memakai kontrasepsi antara ibu yang bekerja sebagai PNS, Swasta, Wiraswasta, Pedagang, Buruh/T/N, dan lain-lain.

e.    Uji normality : –

f.      Lakukan uji, baca hasil, dan interpretasikan.

      Komentar : Dari pengujian di atas dapat disimpulkan bahwa dalam penelitian ini digunakan uji chi-square karena tidak ada nilai expected yang nilainya kurang dari lima. Dari tabel uji chi-square nilai yang digunakan adalah nilai Pearson Chi-Square. Karena hasilnya adalah p<0.05 maka H0 ditolak, ada perbedaan proporsi ibu yang memakai kontrasepsi antara ibu yang bekerja sebagai PNS, Swasta, Wiraswasta, Pedagang, Buruh/T/N, dan lain-lain. Ini di tandai dengan jumlah ibu yang bekerja sebagai PNS memakai IUD sebagai alat kontrasepsinya sebanyak 524 orang. Sedangkan jumlah ibu yang bekerja sebagai Buruh/T/N memakai kontrasepsi lain-lain sejumlah 0 orang (tidak memakai kontrasepsi lain-lain).

g.    Kesimpulan : ada perbedaan proporsi ibu yang memakai kontrasepsi antara ibu yang bekerja sebagai PNS, Swasta, Wiraswasta, Pedagang, Buruh/T/N, dan lain-lain. Ada perbedaan proporsi antara jenis pekerjaan dengan jenis kontrasepsi yang dipakai ibu. Dari hasil uji chi-square di atas di dapatkan bahwa Makin baik pekerjaan ibu maka makin bagus kontrasepsi yang dipakai ibu. Ini di tandai dengan jumlah ibu yang bekerja sebagai PNS memakai IUD sebagai alat kontrasepsinya sebanyak 524 orang. Sedangkan jumlah ibu yang bekerja sebagai Buruh/T/N memakai kontrasepsi lain-lain sejumlah 0 orang (tidak memakai kontrasepsi lain-lain).

3. Tujuan penelitian : mengetahui hubungan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah.

a.      Identifikasi variabel dalam tujuan : Independen variabel adalah pemberian tablet Fe dan dependen variabel adalah kadar Hb.

b.   Idenfifikasi field dalam database : pemberian tablet Fe nama fieldnya tfe dan kadar Hb nama fieldnya adalah hb.

c.  Tentukan karakteristik field : Field tfe adalah data kategorik (K) dan field hb merupakan data numerik (N)

d.      Tentukan jenis uji, teori yg relevans dan H0 pengujian : Uji yang dipakai adalah uji independent sample t-test. Teori yg relevansnya adalah ibu yang dapat tablet Fe kadar Hb nya akan lebih baik daripada ibu yang tidak dapat tablet Fe. H0: Tidak ada perbedaan rata-rata antara kadar Hb ibu dapat dan tidak dapat tablet Fe.

e.      uji normality à independent sample t-test p =0,05.

  Komentar :

·      distribusi deskriptif data                 àNormal

·      Normal Q-Q Plot                             à Normal

·      Hi-Low close                                   à tidak normal

·      Histogram                                       àNormal

·      Skeweness                                      à Tidak Normal

·      Steam-Leaf                                     à Normal

f.  uji,baca dan interpretasikan data : independent sample t-test

              Komentar : pada Levene’s Test terlihat significancy = 0.000. karena p<0.05 maka varians data tidak sama. Karena varians data tidak sama, untuk menentukan hasil uji t-test, dilihat baris kedua. Karena p<0.05 maka H0 ditolak, ada perbedaan rata-rata antara kadar Hb ibu dapat dan tidak dapat tablet Fe. Hal ini ditandai dengan ibu yang mendapatkan pemberian tablet Fe, kadar Hb nya normal/lebih baik dibanding ibu yang tidak mendapatkan Tablet Fe.

g. Kesimpulan: ada perbedaan rata-rata yang signifikan antara ibu yang pernah mandapatkan tablet Fe dan yang tidak pernah mendapatkan dengan kadar hemoglobin ibu. Kadar Hb ibu yang mendapatkan tablet Fe berbeda dengan yang tidak mendapatkan tablet Fe. Hal ini ditandai dengan, Ibu yang mendapatkan tablet Fe, kadar Hb nya lebih baik dibanding ibu yang tidak mendapatkan tablet Fe.

4.  Tujuan Penelitian : mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan

1.    Identifikasi variabel dalam tujuan : Independen variabel adalah pendidikan dan dependen variabel adalah frekuensi pemeriksaan kehamilan.
2.   Identifikasi field dalam database : pendidikan nama fieldnya didik dan frekuensi pemeriksaan kehamilan nama fieldnya adalah kali.
3.     Tentukan karakteristik field : Field didik adalah data kategorik (K) dan field kali merupakan data numerik (N)
4.     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.
5.     Uji normality. Karena Field Kali adalah data numeric maka dilakukan Uji Normality.

 Komentar :

ü  distribusi deskriptif data                     àTidak normal

ü  Normal Q-Q Plot                                 àTidak Normal

ü  Hi-Low close                                        àNormal

ü  Histogram                                           à Tidak Normal

ü  Skeweness                                           à Tidak Normal

ü  Steam-Leaf                                          à Tidak Normal

6.      Lakukan Uji, baca hasil dan interpretasikan.

     Dari hasil uji normality tidak bisa memakai uji ANOVA karena hasil yang didapatkan Tidak Normal, syarat untuk melakukan uji Anova tidak terpenuhi. sehingga di uji dg Kruskal wallis.

  

Komentar : dari uji Kruskal wallis dapat dilihat pada tabel bahwa P<0.005. paling tidak terdapat perbedaan frekuensi pemeriksaan kehamilan pada tiap tingkat pendidikan ibu (SD, SMP, SMA, Perguruan Tinggi).

7.     Kesimpulan : karena P<0,05 maka H0 ditolak berarti Ada perbedaan rata-rata yang signifikan antara frekuensi pemeriksaan kehamilan dengan tingkat pendidikan ibu (SD, SMP, SMA, PT).

5.    Tujuan Penelitian : mengetahui hubungan antara umur ibu dengan tekanan darah sistolik.

1.   Identifikasi variabel dalam tujuan : Independen variabel adalah umur ibu dan dependen variabel adalah tekanan darah sistolik.
2.     Identifikasi field dalam database : umur ibu nama fieldnya umur dan tekanan darah sistolik nama fieldnya adalah sistol.
3.    Tentukan karakteristik field : Field umur adalah data numerik (N) dan field sistol merupakan data numerik (N)
4.    Tentukan jenis uji, teori yg relevans dan H0 pengujian : Uji yang dipakai adalah uji korelasi. Teori yg relevansnya adalah makin tinggi umur ibu maka tekanan darah sistolik nya juga tinggi. H0: Tidak ada korelasi antara umur ibu dengan tekanan darah sistolik.
5.      Uji normality. Karena kedua field adalah data numeric maka dilakukan Uji Normality.

                         Komentar :

ü  distribusi deskriptif data                     àTidak normal

ü  Normal Q-Q Plot                                 àTidak Normal

ü  Hi-Low close                                        àNormal

ü  Histogram                                           à Tidak Normal

ü  Skeweness                                           à Normal

ü  Steam-Leaf                                          à Tidak Normal

       f. Lakukan Uji, baca hasil dan interpretasikan.

              Dari hasil uji normality tidak bisa memakai uji Pearson karena hasil yang didapatkan Tidak Normal (p<0.05), syarat untuk melakukan uji Pearson tidak terpenuhi. sehingga di uji dengan uji Sperman

  

                 Komentar : dari uji Spearman dapat dilihat pada tabel bahwa significancy=0.000, maka P<0.005. hal ini berarti bahwa korelasi antara umur ibu dengan tekanan darah sistolik adalah bermakna. Nilai korelasi Spearman menunjukkan korelasi positif dengan kekuatan lemah.

g.    Kesimpulan : karena P<0,05 maka H0 ditolak berarti korelasi antara umur ibu dengan tekanan darah sistolik adalah bermakna.

PENGOLAHAN STATUS GIZI MENGGUNAKAN SOFTWARE WHO ANTHRO 2005

Langkah 5 :

            klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U dan BB/U). Pada pengelompokkan ini, didaptkan hasil yang setiap pengklasifikasian terdapat sistem missing, maka hal tersebut harus di delete terlebih dahulu. Data sebelum di delete adalah 6496 record, setelah di delete berjumlah 6066 record.

       prevalensi status gizi :

Komentar : dari tabel di atas dapat dilihat bahwa status gizi (BB/TB) yang paling banyak adalah status gizi normal yaitu sebanyak 3040 orang, dan yang paling sedikit adalah status gizi kurus yaitu 388 orang.

Komentar : dari tabel di atas dapat dilihat bahwa status gizi (TB/U) yang paling banyak adalah status gizi normal yaitu sebanyak 3052 orang, dan yang paling sedikit adalah status gizi pendek yaitu 468 orang.

Komentar : dari tabel di atas dapat dilihat bahwa status gizi (BB/U) yang paling banyak adalah status gizi baik yaitu sebanyak 3499 orang, dan yang paling sedikit adalah status gizi kurang yaitu sebanyak 385 orang.

Langkah 6 : prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal).

             Pada prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal) ini ditemukan beberapa data yang missing, maka dilakukan cleaning terhadap data yang system missing tersebut.

  

Jumlah data sebelum di delete 6066 record, jumlah data setelah di delete 5997 record.

Komentar : dari tabel di atas dapat dilihat bahwa pada data paling banyak terdapat sifat normal yaitu sebanyak 3782 orang, sedangkan sifat akut dan kronis adalah yang paling sedikit yaitu sejumlah 555 orang.

...Read More... :))