Keterwakilan populasi oleh sampel dalam penelitian merupakan syarat penting untuk suatu generalisasi atau inferensi. Pada dasarnya semakin homogen nilai variabel yang diteliti, semakin kecil sampel yang dibutuhkan, sebaliknya semakin heterogen nilai variabel yang diteliti, semakin besar sampel yang dibutuhkan.
Di samping keterwakilan populasi (kerepresentatifan), hal lain yang perlu dipertimbangkan dalam menentukan besar sampel adalah keperluan analisis. Beberapa analisis atau uji statistik memerlukan persyaratan besar sampel minimal tertentu dalam penggunaannya.

 Mesin matematika digunakan di bagian estimasi mengunakan metode numerik yang tidak menjamin jawaban untuk perhitungan invers dalam kondisi ekstrim. (Di sini, perhitungan inverse berarti menemukan setiap parameter yang lain dari ukuran sampel Keakuratan ukuran sampel dijamin jika parameter lainnya secara matematis sah..)
 

Formula Semua disajikan dalam hal ukuran sampel, n (misalnya n = ZP / d) dan istilah sisanya diperkirakan untuk 1E-15 mana mungkin, dengan menggunakan interpolasi linier.  Download software dan Panduan penggunaan berdasarkan buku (S.K.LWanga dan  S.Limeshow, 1991). Selesai mendownload software dan buku, double click file tersbut untuk mengektraksi. Software bisa langsung digunakan tanpa harus diinstall lebih dahulu.

Interpolasi adalah solusi umum diterapkan pada formula semua karena ditemukan bahwa sebagian besar akhir formula terlalu rumit.

 Kesulitan-kesulitan perhitungan besar sampel penelitian merupakan hal yang umum terjadi dalam penyusunan proporsal skripsi, tesis dan disertasi. untuk memecahkan permasalahan yang terkait dengan perhitungan besar sampel dalam penelitian kesehatan telah dikenalkan beberapa software perhitungan besar sampel dalam penelitian kesehatan, tetapi kendala yang terjadi adalah bagaimana aplikasi pengunaan rumus perhitungan besar sampel yang tepat sehingga dalam penyusunan proposal skripsi, tesis, dan disertasi tidak menghadapi kendala dalam perhitungan besar sampel penelitian. dalam kesempatan ini diperkenalkan sebuah buku yang membahasa perhitungan besar sampel secara manual dan secara aplikatif mengunakan software. buku ini memberikan kemudahan bagi mahasiswa/peneliti dalam melakukan perhitungan besar sampel penelitian. Bentuk software yang dikembangkan oleh WHO
Copyright (c) 1996-1998, Organisasi Kesehatan Dunia, (WHO)

TAHAPAN PENGOLAHAN DATA PPG 

Setelah pengumpulan Data, data PPG 2010 diolah menurut tahapan :

1. Pengolahan Status Gizi Balita, Baca Panduan

2. Pengklasifikasian Status Gizi, baca Panduan

3.  Pengolahan Konsumsi Gizi dgn FFQ, baca Panduan

4.  Pengklasifikasian Konsumsi Gizi

5.  Entri Data Kuesioner Utama

6.  Penggabungan Data ( 2 + 4 + 5 )

7.  Analysis Data (Univariate dan Bivariate

8.  Analisis Masalah Gizi

9.  Prioritas Masalah

10. Analisis Penyebab Masalah Gizi

11. Identifikasi Alternatif Pemecahan Masalah

12. Pemilihan Tindakan Intervensi Gizi

13. Plan Of Action

14. Rencana Evaluasi :

       a. Hippopoc Tabel, download format (.RAR 16 KB)

       b. Seleksi Indikator Evaluasi

       c. Rencana Pengumpulan Data Evaluasi

15. Perumusan Rekomendasi

16. Kesimpulan dan Saran

OUTLINE LAPORAN PPG 

COVER

LEMBAR PENGESAHAN

KATA PENGANTAR

DAFTAR ISI

DAFTAR TABEL

DAFTAR GAMBAR

DAFTAR LAMPIRAN

BAB   I : PENDAHULUAN

               A. Latar Belakang

               B. Tujuan

               C. Manfaat

BAB II  : TINJAUAN PUSTAKA

              A. Kerangka Teoritis

              B. Kerangka Konsep

              C. Variabel 

              D. Fefinisi Operasional

BAB III  : METODOLOGI

              A. Waktu dan Tempat

              B.  Disain dan Jenis Pengumpulan Data

              C. Populasi Dan Sampel

              D. Jenis dan Cara Pengumpulan Data

              E. Pengolahan dan Analisis Data

BAB IV  : HASIL DAN PEMBAHASAN

              A. Geografis dan Demografi

              B. Fasilitas Umum

              C. Fasilitas Kesehatan yang Ada

              D. Gambaran Umum Sampel

              E. Hasil Analisis Univariate (masing2 variabel baik numeric maupun kategorik)

              F. Analisis Bivariate

BAB V  : KESIMPULAN ANALISIS DATA

BAB VI  : RENCANA INTERVENSI GIZI

              A. Analisis Masalah Gizi dan Kesehatan

              B. Prioritas Masalah

              C. Identifikasi Faktor Penyebab Timbulnya Masalah

              D. Identifikasi Alternatif Pemecahan Masalah

              E. Pemilihan Tindakan Pemecahan Masalah

              F. Plan of Action (POA)

              G. Rencana Evaluasi :

                   1. Hippopoc Tabel

                   2. Seleksi Indikator Evaluasi Program

                   3.  Rencana Pengumpulan Data Evaluasi

BAB VII : REKOMENDASI

            A. Untuk Masyarakat

            B. Untuk Mahasiswa

            C. Untuk Jurusan Gizi

BAB VIII. KESIMPULAN DAN SARAN

            A. Kesimpulan

            B. Saran

DAFTAR PUSTAKA

LAMPIRAN-LAMPIRAN

Note :Laporan sudah harus diserahkan sebelum UAS Smt.5

Dari sekian banyak metode penilaian konsumsi, Semi Quantitative Fod Frequency (SQ-FFQ) adalah salah satu metode yang dianggap valid untk menilai Pola atau Kebiasaan Makan. Dengan SQ-FFQ, selain mendapatkan frekuensi konsumsi juga dapat dihitung nilai gizi makanan yang dikonsumsi secara kuantitatif. Walaupun masih bernilai sebagai 'pola' makan, karena dihitung kebiasaan mengkonsumsi dalam sebulan terakhir.

Tidak mudah untuk mengolah data konsumsi. Berikut ini disajikan aplikasi Microsoft Excel untuk membantu mengolah data SQ-FFQ tersebut. Untuk pengolahan ini digunakan DKBM yang diadopsi dari software GiziComp (Abas Basuni Jahari, 2005). Bila Anda belum memiiki file aplikasi Excel ini silahkan download (330 KB). Setelah di download, double click file tersebut, akan terbentuk sebuah file Excel (PPG2011.xls = 1.486 KB).
Isikan data masing-masing sampel secara lengkap. Tersedia juga comment untuk membantu Anda memahami arti masing-masing colom.
Beberapa ketentuan yang harus dipahami dalam menggunakan Aplikasi ini adalah :
Pertama : Bahwa kalkulasi sudah dibuaat menggunakan formula Excel. Untuk menghindari salah hitung akibat pengeditan data, maka beberapa kolom sudah diproteksi. Apabila keluar pesan tidak bisa diedit, itu berarti Anda sudah mencoba mengentri data pada sel yang terproteksi.
Kedua : Apabila selesai mengentri data satu sampel, maka hasil kalkulasi segera dicopy ke baris sesuai nomor sampel yang bersangkutan. Cara pengcopyan baca pada tooltips atau comen pada aplikasi. Selesai mengcopy hasil, segera delete (kosongkan) semua isia pada formulir untuk melanjutkan entri data untuk sampel berikutnya.

Hasil olah data antropometri menghasilkan variabel status gizi berupa Z Score, dengan nama field WHZ (BB/TB), HAZ (TB/U), WAZ (BB/U) dan BAZ (IMT/U). Filed-field ini adalah field standard yang dihasilkan secara otomatis oleh software Anthro 2005. Untuk memudahkan proses pengklasifikasian status gizi, field ini sebaiknya jangan di-rename. Syntax beriktu ini bisa digunakan secara langsung apabila Anda tidak me-rename nama-nama field yang dihasilkan oleh Anthro 2005 tersebut.

Langkah-langkah menggunakan syntax ini sangat mudah. Pertama buka file SPSS hasil export hasil olah antropometri (Cara membuat file SPSS ini telah dibahas pada posting terdahulu). Jika ingin mempelajarinya kembali, silahkan klik disini.

Kedua : Setelah file data terbuka, bukalah sebuah file baru dengan type SYNTAX. Copy seluruh kode yang berada dalam kotak di bawah ini ke dalam file syntax kosong tersebut. Jika komputer Anda sedang tidak terhubung ke internet, Anda dapat mengambil kode tersebut lebih dahulu. Simpan ke dalam file Notepad, kemudian simpan dengan extensi SPS (jangan lupa memilih type file All File pada saat menyimpan di Notepad. Ketiga : Dalam keadaan file data dan syntax telah dibuka, pindah ke jendela file syntax, kemudian pilih menu Run, kemudian klik All. Maka dengan sekejap mata klasifikasi status gizi akan dibuat oleh SPSS, meliputi :

1. Klasifikasi Status Gizi BB/TB, 4 kategori (Sangat Kurus, Kurus, Normal dan Gemuk).

2. Klasifikasi Status Gizi TB/U, 2 kategori (Pendek, Normal)

3. Klasifikasi Status Gizi BB/U, 4 kategori (Gizi Buruk, Kurang, Baik dan Lebih)

4. Klasifikasi Status Gizi BB/TB, 2 kategori (Kurus, Normal)

5. Klasifikasi Satus Gizi BB/U, 2 kategori (Kurang Gizi, Normal)

RECODE
whz
(Lowest thru -3.01=1) (-3.00 thru -2.01=2) (-2.00 thru 2.00=3) (2.01
thru Highest=4) INTO KBT4 .
VARIABLE LABELS KBT4 'Status Gizi BB/TB (4)'.
ADD VALUE LABELS KBT4 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk'.
EXECUTE .
RECODE
waz
(Lowest thru -3.01=1) (-3.00 thru -2.01=2) (-2.00 thru 2.00=3) (2.01
thru Highest=4) INTO KBU4 .
VARIABLE LABELS KBU4 'Status Gizi BB/U (4)'.
ADD VALUE LABELS KBU4 1 'Gizi Buruk' 2 'Gizi Kurang' 3 'Gizi Baik' 4 'Gizi Lebih'.
EXECUTE .
RECODE
haz
(Lowest thru -2.01=1) (-2.00 thru Highest=2) INTO KTU2 .
VARIABLE LABELS KTU2 'Status Gizi TB/U (2)'.
ADD VALUE LABELS KTU2 1 'Pendek' 2 'Normal'.
EXECUTE .
RECODE
kbt4
(1=1) (2=1) (3=2) (4=2) INTO KBT2 .
VARIABLE LABELS KBT2 'Prev. Anak Kurus BB/TB (2)'.
ADD VALUE LABELS KBT2 1 'Kurus' 2 'Normal'.
EXECUTE .
RECODE
kbu4
(1=1) (2=1) (3=2) (4=2) INTO KBU2 .
VARIABLE LABELS KBU2 'Prev. Gizi Kurang BB/U (2)'.
ADD VALUE LABELS KBU2 1 'Kurang Gizi' 2 'Normal'.
EXECUTE .

Semoga Manfaat

Mengolah status gizi balita dapat dilakukan dengan software WHO Anthro 2005. Persoalannya adalah bahwa Anthro2005 memiliki format database sendi yang tidak bisa langsung diimport oleh software pengolah data lebih lanjut seperti SPSS. Untuk melakukan itu semua agar  data hasil olah Anthro2005 dapat diolah dengan SPSS, ikutilah beberapa langkah di bawah ini :

 

Langkah Pertama :

Entri data parameter antropometri menggunakan software WHO Anthro 2005. Pada kesempatan ini data dientri dengan menu Nutritional Survey (menu 3) disain cross sectional study.

Langkah Kedua :

Mengekspor data ke format data Excel. Pertama kali klik sel yang berada pada kiri atas rampilah Anthro 2005 (gambar di atas). Setelah semua output terblok, klik icon copy to clipboard (gambar). Buka Microsoft Excel (dianjurkan Excel 2003), lalu pastekan pada sel A1 (Gambar 2)

Langkah Ketiga :
Mengedit Nama Field. Nama field yang dihasilkan berupa teks oleh Anthro 2005. Edit seperlunya agar memenuhi ketentuan penamaan field pada SPSS (misalnya : maks 8 karakter, tanpa spasi, dll)

Langkah Keempat :

Memvalidasi Umur. Umur dihitung oleh Anhro 2005 dalm 2 bentuk (hari dan bulan). Umur dalam bulan juga dihitung dalam  2 desimal. Sementara itu erhitungan umur dalam ketentuan antropometri adalah umur dalam satuan PENUH, artinya sisa di belakang koma tidak diperhitungkan. Untuk memenuhi ketentuan ini bisa dibuat formula di dalam Excel menggunakan fungsi Integer (INT). Letakkan kursor pada sel disebelah Age (yang sudah disiapkan sebelumnya dengan insert colum), kemudian masukkan fungsi : =INT(range()), blok semua isi kolom disebelah kiri, kemudian akhiri fungsi dengan tutup kurung, dan Enter. Umur yang dihasilkan sudah dalam bentuk integer, naun masih dalam fungsi (perhitungan). Untuk mendapatkan nilai umur dalam angka mutlak, lakukan langkah berikut ini : Sisipkan 1 kolom kosong lagi di sebelah kanan umur (integer), kedua copy range data umur integer dan Klik Edt,  pilih Paste Special, dan pilih Value, saat kursor persis berada pada baris sampel pertama pada kolom kosong di sebelahnya. Setelah menekan enter kolom akan terisi dengan data yang persis dengan data kolom integer, Namun data ini sudah dalam bentuk angka mutlak (bukan formula lagi).

Langkah Kelima :
Simpan file Excel dan beri nama. Pastkan bahwa data Anda yang di Excel berada pada sheet 1. Tutup Microsoft Excel dan Buka SPSS.

Langkah Keenam :
Mambaca file dengan Excel. Pilih File,Open dan pilih type file Microsoft Excfel (xls) kemudian arahkan ke folder dimana data Excel Anda simpan. Setelah tampilan Open muncul, langsung klok OK. Data Anda sekarang akan tebuka daam format SPSS (unitled). Simpan file SPSS utuk keperluan berikutnya untuk digabung dengan variabel lain.
Selamat mencoba.

Hasil tampilan SPSS setelah membaca file Excel adalah seperti gambar berikut ini. Perhatikan bahwa Kode sampel harus disediakan sejak awal entri data pada Anthro2005. Mungkin untuk memenuhi ini bisa dipakai salah satu fiel ntara Team, Cluster atau ID yang sudah disediakan dalam Anthro2005. Kode ini sangat penting untk menggabung data dengan variabel lain yang dientri dengan Epidata atau apapun jenis database variabel lain.

 

Tampilan Data View SPSS 

Setelah Anda mendapatkan sebuah file berformat SPSS (.SAV), langkah berikutnya adalah menggabung fiel-fied hasil olah antropometri dengan feld lain dalam sebuah penelitian. Dield yang dihasilkan dari olah Anthro2005 adalah field status gizi berupa nilai-nilai ZScore seperti (WHZ (BB/TB), HAZ (TB/U), HAZ (BB/U) dan MAZ (BMI/U). Selanjutnya field status gizi akan diklasifikasikan menjadi Kategori Status Gizi berdasarkan SK Menkes No. 920/Menkes/SK/VIII/2002. Selamat mencoba semoga manfaat.

Ada 3 jenis analisis data : univariate, bivariate dan multivariate. Bivariate berarti 2 variabel. Dalam posisi kerangka konsep penelitian, 2 variabel tersebut menempati posisi 1 variabel sebagai variabel independen (mempengaruhi) dan 1 variabel sebagai dependen variabel (variabel terpengaruh). Dalama analisis dua sisi (2 side) tidak dapat ditentukan mana variabel independen dan mana variabel dependen. Peneliti sendiri yang menterjemahkan variabel tersebut. Analisis data menggunakan komputer, bila kedua variabel tersebut diputar-letakkan, maka hasilnya akan sama (bukti).

Berdasarkan bentuk data (kategorik/numerik), maka ada 4 kemungkinan pasangan variabel yang akan diuji dalam analisis bivariate, yaitu :

1. Kategoriikk - kategorik
2. Kategorik - numerik
3. Numerik - kategorik, dan
4. Numerik - numerik

Oleh karena arah pengujian dalam analisis 2 sisi tidak dapat ditentukan, maka jenis ketiga dan keempat ujinya sama.. Untuk uji kategorik-kategorik disebut uji beda proporsi, untuk uji no.2 dan 3 disebut uji beda rata-rata, dan uji keempat uji korelasi bivarite. Uji beda rata-rata terbagi 2 jenis : jika 2 rata-rata uji t-test dan apabila lebih dari 2 rata uji Anova.

Pengujian / analisis data mengacu kepada tujuan penelitian. Dengan demikian, analisis data adalah sebuah upaya menggunakan statistik untuk menjawab tujuan penelitian. Ada beberapa langkah melakukan pengujian data yang mengacu kepada tujuan penelitian pada uji bivariate. Langkah-langkah pengujian ini disusun oleh penulis untuk memperkuat pemahaman bahwa statistik hanyalah sebuat alat bantu untuk mengambil keputusan atau kesimpulan. Artinya, tanpa statistik sebenarnya kesimpulan bisa diambil. Akan tetapi  untuk lebih meyakinkan atau apabila secara visuals sulit mengambil kesimpulan, maka digunakanlah statistik (uji). Dengan kata lain pemilihan jenis uji statistik disesuaikan dengan bentuk data, bukan sebaliknya data yang menyesuaikan dengan uji yang akan digunakan. Pada penjelasan berikut ini, tujuan penelitian sudah ada sebelumnya (pada proposal penelitian).

8 Langkah Uji Bivariate (2 sisi) :

1. Identifikasi variabel dalam tujuan penelitian

2. Identifikasi nama field di dalam database

3. Tentukan karakteristik field (numerik/kategori)

4. Tetapkan uji sementara, dan hipotesis nol pengujian pada CI tertentu (95%)

5. Lakukan uji normaliti apabila ada salah satu atau kedua variabel numeric

6. Lakukan pengujian, dan baca hasil

7. Interpretasikan hasi pengujian untuk menjawab tujuan penelitian

8. Pembahasan : Bandingkan dgn teori yg relevan dan penelitian sejenis.

 Pada langkah ke-4 (uji sementara) oleh karena apabila terdapat variabel numerik yang akan diuji, maka harus memiliki syarat bahwa data  harus berdistribusi normal. Jika tidak maka uji terpilih untuk pengujian tidak dapat dilakukan. Upaya yang harus dilakukan adalah mengkategorikan data sehingga menjadi variabel kategorik. Pengelompokkan data mengacu pada teori yang relevan atau menggunakan acuan normatif (mean/median/modus).

Pada contoh berikut ini kita dapat berlatih menggunakan data LAT-Bi-1 (download).

Pertama :
Pelajari struktur database, meliputi jumlah record, jumlah field, field numerik dan kategorik.

Kedua :
Hitung distribusi frekuensi minimal 3 fied kategorik. Sajikan data dalam bentuk tabel distribusi frekuensi, setelah output analysis dicopy-pastekan ke Ms. Word
Ketiga :
Hitung deskriptif statistik minimal 3 var. numerik, meliputi : mean, median, modus, standar deviasi, nilai minimum dan nilai maksimum. Sajikan rangkuman hasil hitung dalam tabel
Keempat :
Kelompokkan umur responden menjadi 2 kelompok atas Resti dan tidak Resti. Umur resti (risiko tinggi) adalah kurang dari 20 dan lebih dari 35 tahun.. Lakukan juga pengelompokkan kadar hb sampel atas anemia dan tidak anemia dengan batas 11 gr/dl.
Lakukan oengujian terhadap tujuan penelitian sebagai di bawah ini. Uji pada confidence interval 95%. Lakukan sesuai 8 langkah di atas untuk setiap tujuan penelitian.

1.  Diketahuyinya hubungan antara tingkat pendidikan responden dengan pemeriksaan kehamilan
2. Diketahuinya hubungan antara pendidikan dengan akseptor  keluarga berencana.
3. Diketahuinya hubungan antara tingkat pendidikan dengan jenis kontrasepsi yang digunakan
4. Diketahuinya hubungan pekerjaan dengan frekuensi pemeriksaan kehamilan
5. Diketahhuinya hubungan antara umur dengan frekuensi pemeriksaan kehamilan
6. Diketahuinya hubungan  antara golongan darah dengan kadar HB
7. Diketahuinya hubungan antara umur dengan tempat persalinan yang dipilih
8. diketahuinya hubungan antara umur dengan tekanan darah sistolik
9. diketahuinya hubungan antara umur dengan tekanan darah diastolik
10. diketahuinya hubungan antara umur dengan kadar hb
11. diketahuinya hubungan antara pendidikan dengan pekerjaan responden
12. diketahuinya hubungan antara mendapatkan tablet fe pada pemeriksaan pertama kali dengan kadar hb dalam darah

Catatan : Apabila ada variabel numeric yang tidak berdistribusi normal, lakukan pengkategorian menurut kaidah yang berlaku pada substansi yang sesuai dengan menggunakan acuan normatif (median). Selamat berlatih

File soal ujian Progsus RSUD Pariaman Stikes nan Tongga 2010 (Download sekarang)