} Bakul Manajemen Data Bakul Manajemen Data: Februari 2011
Loading

Archives

gravatar

Cleaning Informasi

Selamat Datang di Lokasi PKL

Hari ini sampai di lokasi. Cari rumah pondokan, dan istirahat sejenak. Hubungi tokoh-tokoh yang patut dihubungi, semisal Nyiak Jorong, Ketua Kader, Ketua Kader dan sebagainya. jika mereka menginginkan ada semacam pertemuan dalam rangka perkenalan, silahkan diikti.

Beberapa hal yang perlu diingat, agar tidak terjadi perbedaan antar kelompok adalah sbb:
1. Besok pagi sudah harus mulai sweeping, dan 2 orang mewakili kelompok pada acara pembukaan.
2. Sweeping HARUS dilakukan dari rumah ke rumah (door to door) dan tidak unakan rumus yang tercantuboleh menggunakan data sekunder, sebaru apapun data sekunder (data bidan).
3. Selesai sweeping, buat daftar populasi KK yang punya balita yang ditemukan semuanya menjadi suatu daftar.
4. Selasa pagi/siang BERSAMA PEMBIMBING, tentukan besar sampel menggunakan software sampel Sie atau menghitung secara manual menggunakan rumus seperti tercantum dalam panduan.
5. jangan gunakan d 10%, tapi lebih kecil dari itu yaitu berkisar 4% sampai 8% sehingga jumlah sampel perkelomppk berkisar antara 70 sampai 90 KK. Kecuali kelompok yang punya sasaran kueang dari 70 KK, tetapmdihitung besar sampel.
6. Tidak dibenarkan mengambil semua populasi untuk pengumpulan data. Hadus mengambil sampel.
7. Jangan dulu melakukan survey sebelum mendapat persetujuan dari pembimbing.
8. Sub sampel untuk FFQ adanminimal sebanyak 30 balita yang sudah disapih yang diambil dari keluarga sampel. 1 balita per KK diambil seara acak. Jika lebih dari 1 balita dalam KK yang sudah disapih diambil yang kecil utk FFQ.
9. semua anggota keluara dijadikan objek ukur/wawancara dan disesuaikan dengan segmennya dalam kuesioner.
10. MMJ sudah harus dilakukan paling lambat pada hari ke 12 saat pembimbing tahap kua masih berada di lapangan.
11. Semua database yang sudah direkam ke dalam template yang sudah disediakan direrahkan ke pembimbing tahap II
12. Pengolahan data tahun ini dilaksanakan secara full computerized.

SELAMAT BER-PKL Semoga sukses. Kami semua mendoakan....! amiiin.

gravatar

Template DATABASE PKL Terpadu 2011

Template adalah database kosong yang akan dipakai untuk mengentri data. Dalam KL Terpadu tahun 2011 ini template dibuat dengan Epidata sekalian dibuatkan check (filter entri data). Dengan check diharapkan dapat mengurangi kesalahan dalam entri data, walau belum ada jaminan data akan terbebas dari GARBAGE (sampah). Tujuannya adalah untuk menghindari GIGO (garbage in garbage out) ~ sampah masuk sampah keluar.
Berikut ini diberikan link untuk mendownload templatedalam format file .RAR.
Dalam file TEMPLATE.RAR ini, setelah diekstract menghasilkan masing-masing 3 file untuk 1 nama yang sama, terdiri dari :
  • File database (.rec)
  • File Check (.chk)
  • File syntax Label SPSS (.SPS)
 Adapun nama file template ada 7 macam, yaitu :
  1. Database Keluarga (1.Keluarga)
  2. Database Kesakitan dan Kematian (2a. Individu A-E)
  3. Database Balita (2b.BALITA)
  4. Database Lansia (2c.LANSIA)
  5. Database Remaja (2d. REMAJA)
  6. Database UKS dan Anak Sekolah (2e. UKS Anak Sekolah)
  7. Database hasil pemeriksaan dan pengukuran seluruh anggota keluarga termasuk Ibu Hamil (2f. Pengukuran dan Pemeriksaan BUMIL)
Disamping data (.rec), check (.chk), dan Syntax (.SPS) juga disertakan Form FFQ, syntax Klasifikasi Status Gizi dan Syntax Klasifikasi Konsumsi Pangan dan Zat Gizi. Setelah file didownload, ekstrak menggunakan software Winrar atau Winzip. Silahkan DOWNLOAD disini (1,14 MB). Jika tidak punya Winzip, download file EXE nya dan double click untuk membuka kompress setelah di download klik utk menDOWNLOAD (1,23 MB)


gravatar

Pengolahan Data PKL Terpadu 2011

PEDOMAN PENGOLAHAN DAN ANALYSIS DATA

Pengumpulan data, pengolahan dan analysis data adalah komponen penting dalam rangkaian kegiatan PKL Poltekkes Padang. Pengolahan data dalam PKL terpadu mengalami kemajuan mulai dari manual, semi komputerisasi dan tahun 2011 ini PKL Terpadu Poltekkes Padang melaksanakan pengolahan dana analisis data secara komputerisasi secara penuh.

KETENTUAN UMUM
  • 1.       Data yang dikumpulkan terdiri dari data keluarga dan individu. Data individu meliputi segmen : balita, anak sekolah, remaja, dewasa, lansia, bumil dan busui.
  • 2.       Kerangka sampling adalah keluarga yang memiliki balita.
  • 3.       Kebijakan dalam hal segmen adalah semua anggota rumah tangga dijadikan responden. Datanya disesuaikan dengan jumlah yang ada dalam rumah tangga. Konsekwensinya adalah dalam 1 sampel rumah tangga harus ada minimal 1 orang balita, semua anak sekolah, remaja, bumil, busui, lansia dijadikan segmen ang akan diwawancarai. Dengan demikian jumlah anak sekolah akan lebih banyak dari sampel, akan tetapi remaja atau bumil lebih sedikit dari sampel.
  • 4.       Kuesioner terdiri dari 2 bagian (keluarga dan individu)
  • 5.       Entri data kuesioner dilakukan dengan Epidata dan analisis dengan SPSS. Data konsumsi gizi dengan Aplikasi Microsoft Excel, dan data antropometri menggunakan software yang dikeluarkan oleh WHO disebut WHO ANTHRO 2005.
  • 6.       Entri data dipisahkan antara keluarga dan individu, dan kuesioner individu dientri sesuai segmen, sehingga jumlah template entri data terdiri dari : (dalam kurung adalah nama file)
a.       Data Keluarga (Form 1.keluarga)
b.      Data Individu, terdiri dari :
·   Data Kesakitan dan Kematian (2a.Individu A-E.rec)
·   Data Balita (2b.BALITA.rec)
·   Data Lansia (2c.LANSIA.rec)
·   Data Remaja (2d.REMAJA.rec)
·   Data UKS dan Anak Sekolah (2e. UKS dan Anak Sekolah.rec)
·   Pengukuran Bumil (2f. BUMIL.rec)
7.       Data frekuensi konsumsi kelompok Pangan dan konsumsi zat gizi diolah tersendiri menggunakan Microsoft Excel, kemudian diproses sedemikian rupa sehingga menjadi sebuah file berformat SPSS (FFQ.SAV). Jangan lupa memeriksa kesesuaian kode sampel.  Penanggung jawab adalah anggota kelompok dari Jurusan Gizi.
8.       Data Status Gizi Balita diolah menggunakan software WHO Anthro2005, diproses sedemikian rupa sehinggan menjadi sebuah file berformat SPSS (Antro.SAV). Penanggung jawab adalah anggota kelompok dari Jurusan Gizi.
9.       Setiap kelompok PKL harus mengentri 9 jenis file data sesuai uraian di atas.
10.   Semua file harus bisa digabung (merge) dalam SPSS, maka dari itu setiap file harus memiliki 1 buah field  kode sebagai key variable untuk menggabungkannya.
11.   Dalam entri data, masing-masing  variabel ada yang sudah siap dientri dalam bentuk kategori yang dibutuhkan, dan ada yang masih dalam bentuk Total Skor. Bahkan ada variabel yang dientri masih dalam bentuk pertanyaan satu persatu. Untuk itu diperlukan proses Transformasi Data, seperti conpute  dan Recode.
12.   Dalam entri data, setiap kelompok diperbolehkan mendisain check agar data yang terentri nanti terbebas dari kesalahan, namun dilarang merubah kuesioner (field), agar datanya bisa digabung antar kelompok.
13.   Hati-hari dalam penyamaan kode pada setiap file yang terhubung masing-masing segmen.
14.   Sebelum data diolah harus dilakukan cleaning data terhadap kesalahan/kekeliruan dalam entri data. Setiap ditemukan record yang tidak lengkap, tidak konsisten dan out of range harus dilakukan pengecekan kembali ke kuesioner, bahkan jika diperlukan dilakukan pengecekan ke lapangan (ke rumah responden).
15.   Bagi yang membutuhkan master aplikasi yang dibutuhkan seperti Epidata, SPSS, WHO Antro dan lain-lain, disediakan dalam sebulah file installer di dalam sebuah CD yang dibagikan ke semua kelompok. SPSS yang disediakan dalam Installer ini adalah versi 11.5 yang sesuai untuk Sistem Operasi Windows XP. Bagi mahasiswa yang memiliki laptop dengan Sistem Operasi Windows Vista dan Windows Seven harus mencari sendiri versi SPSS yang sesuai (versi 15 atau lebih tinggi).
16.   Panduan ini membahas contoh-contoh penggabungan data, transformasi data dan analysis data.
EDITING
Editing adalah melakukan perbaikan pada kuesioner hasil wawancara untuk mengecek kejelasan tulisan, kelengkapan isian dan kebenaran isi (misalnya range data). Editing harus dilakukan sesegra mungkin setelah wawancara. Dilakukan [pada malam hari pada hari-H wawancara. Setelah editing dilakukan, kuesioner ditanda tangani dan kemudian diberikan ke salah satu teman sekelompok untuk dilakukan juga editing dan ditanda tangani juga. Terakhir diserahkan ke Pembimbing untuk diperiksa dan ditanda tangani. Kuesioner yang boleh dientri setelah ada 3 tanda tangan (Pewawancara, Editor dan Pembimbing). Hal ini dilakukan untuk mengurangi kesalahan dalam data entri, menghindari GIGO (garbage in garbage out).
CODING
Dalam hal ini koding termasuk ke dalam editing, yaitu memasukkan kode (skor) ke dalam kotak yang disediakan di bagian kanan setiap pertanyaan. Untuk variabel komposit, langsung dihitung total skor setiap variabel. Untuk variabel dimana total skor sudah dihitung, maka yang akan dientri adalah optionnya (disesuaikan dengan template yang sudah ada).
ENTRI DATA
Data dientri berurutan dari keluarga dan individu sesuai pemuatan dalam kuesioner. Setelah kuesioner keluarga dintri (1. Keluarga.rec) langsung dientri data individunya setiap segmen secara berurutan. Apabila dalam keluarga tersebut ada 2 balita, selesaikan entri data balita keduanya sesudah itu baru mengentri data segmen berikutnya. Demikian juga jika terdapat 3 anak sekolah, entri ketiganya lebih dulu baru kanjut ke segmen bumil dan seterusnya.
Data FFQ (konsumsi balita) dan antropometri (BB dan TB)  dientri dengan software yang terpisah, dengan menyiapkan kode yang sama dengan keluarga asal setiap segmen untuk penggabungan data sewaktu pengolahan nantinya. Untuk data konsumsi gizi balita diambil balita yang sudah disapih, minimal 30 sampel tiap kelompok PKL.
EXPORT DATA
Oleh karena entri data dilakukan dengan Epidata, sementara analisis dengan SPSS, maka perlu dilakukan export data. Caranya : di dalam Epidata pilih Menu no.6 EPORT DATA, lalu pilih pilihan SPSS. Arahan pilihan pada file yangg akan diekport. 

Setelah jendela dialog muncul, klik OK


Hasil export Epidata ke SPSS menghasilkan file berekstensi .SPS (SPSS Syntax). Sinyax yang dihasilkan di jalankan (Run) di SPSS, akan menghasilkan database berformast SPSS ).SAV). Caranya : buka SPSS, kemudian Open File, Pilih Syntax, dan arahkan ke folder hasil export Epidata, pilih file. Maka akan terbuka file syntax dalam bentuk textfile. Run Syntax tersebut.
Pilih pada menu di dalam jendela Syntax tersebut Run, lalu klik All.


Hasil running syntax adalah file data SPSS (untitled), Simpan dan beri nama sesuai dengan karakteristik datanya. Misalnya file KELUARGA.SAV.
Semua file dieksport  seperti prosedur di atas.

CLEANING DATA
Cleaning data adalah suatu aktivitas memeriksa data dari ketidaklengkapan, ketidak-jelasan, dan out of range. Cleaning data. Prosedur cleaning data berbeda antara data numeric dan data kategorik. Data kategorik dilihat kelengkapan kategori, apakah sudah semua sampel didistribusikan ke dalam kategori yang ada. Atau apakah klategori data yang terbentuk sudah sesuai dengan yang didefinisikan dalam kerangka konsep atau belum. Misalnya variabel kecamatan (nama field kec) : Apakah sudah semua sampel diisikan dari kecamatan mana sampel itu.
Perinta untuk memeriksanya bisa digunakan :
Analyze - Descriptive Statistics - Frequencies 
Masukkan field kec, kemudian klik OK. Lihat aoutpu yang dihasikan oleh SPSS. Apabila ada yang missing, atau ada kode kecamatan selain dari 1, 2 atau 3, maka bisa dicari dengan mengurutkan data (sort). Perintahnya Pada menu DATA, pilih SORT CASES. Masukkan field kec, kemudian pilih sort order Accending (menaik. Dengan pilihan accending, maka record missing akan terletak paling atas. 
Langkah berikutnya adalah mengklarifikasi record bersangkutan ke kuesioner fisik, kemudian mengeditnya secara manual di SPSS.
Perintah Frequencis juga dipakai untuk analisis Univariate untuk data kategorik. Perintah frequencies juga bisa dipakai untuk menghitung detail dari data numerik seperti median dan modus, dengan cara menspesikasikan hitungan pada pilihan statistics (dalam dialog frequencies)

Trasformasi Data
Transformasi atau merubah format data yang ada ke format lain, misalnya data numerik dijadikan data kategorik atau data kategorik dijadikan lebih sederhana kategorinya. Perintah yang dipakai untuk ini adalah Recode. Sementara untuk menghitung jumlag skor dari variabel komposit digunakan perintah Compute.

Compute ~ hitung : Transfor - Compute, tampil sbb :


Pada perintah compute digunakan untuk perhitungan. Perhitungan sederhana yang diperlukan untuk mengolah data PKL iini adalah menjumlah skor dari beberapa pertanyaan menjadi satu nilai (disebut variabel komposit).
Langkah-langkah Compute :
•    Buat nama variabel target (target variable) dimana hasil perhitungan akan diletakkan. Klik pada type and Labels untuk mendefinisikan Label dan pemilihan type field (numeric). Klik OK untuk kembali ke jendela awal.
•    Lakukan perhitungan dengan mengklik kalkulator sedrhana yang ada dibawah numeric expression.
Misalkan kita akan mengihutng Jumlah Anggota keluarga dari rincian Jumlah laki-laki (laki2) ditambah perempuan (puan) menghasilkan variabel jak. Cari field laki2 kemudian kirim ke jendela tengah menggunakan tombol panah diatara 2 jendela, kemudian klik tombol tambah pada kalukulator. Cari fiel puan dan kirim ke tengah sehingga di tengah tertulis laki2 + puan. Jika sudah selesai klik OK. Setelah klik OK akan terbentuk field baru (jak) hasil perhitungan.

Recode
Recode gunanya adalah untuk mengkategorikan variabel numeric atau menyederhanakan kategori yang sudah ada menjadi lebnih sedikit kategorinya. Perintah recode yang dipakai disini adalah Recode – Into Diffenrent Variable. Dengan Into Different maka akan terbentuk field baru (hasil kategori) bukan menimpa nilai variabel lama.
Langkah-langkah Recode (lihat gambar berikut :
 Cari variabel yang akan direcode, masukkan ke dalam menggunakan tombol panah. Definikan nama baru dan label nya di sebelah kanan. Penamaan fiel harus memenuhi ketentua (max 8 digit, tanpa sapasi, tanpa tanda baca, tanpa operasi matematis dan lowecase/huruf kecil). Sebaiknya nama field singkat dan informatif. Setelah New Name dan Label diketik, klik Change, sehingga tanda tanya di tengah terganti dengan nama field baru yang akan dibuat.

Langkah berikut adalah mendefinisikan kategori. Klik Old and New Value, tampil spt berikut

Masukkan batas kategori di sebelah kiri (old value) dan masukkan nama kategori di sebelah kanan (New Value). Setelah semua kategori didefinisikan, klik Continue maka akan kembali ke jendela sebelumnya. Untuk mengakhiri proses klik OK. Anda juga dapat mengklik Paste, sehingga perintah yang sudah dibuat akan dimasukkan ke dalam file Teks (Syntax). Cara ini lebih dianjurkan oleh karena sangat memudahkan untuk melakukan pengeditan label dan batas kategori. Satu hal yang sangat penting disini adalah pendefinian Value Labels (istilah kategori data).
Dua keuntungan jika perintah transformasi data disimpan ke dalam file syntax adalah.
1. Memudahkan mendefinisikan Variable Labels
2. Dapat didefinisikan langsung Value Labels
Perintah untk membuat Variable Labels adalah
VARIABLE LABELS [nama field] dalam tanda petik tunggal Nama Variabel, diakhiri dengan titik.
Misalnya kita ingin memberi nama variabel label dan value label untuk contoh hasil tranformasi di atas. Ketikkan baris berikut ini :
VARIABLE LABELS eko2 'Tingkat Ekonomi Keluarga' .
ADD VALUE LABELS eko2 1 'Miskin' 2 'Kaya' .
Jangan lupa menutup baris perinta dengan titik (.)
Jika semua perintah disimpan ke dalam file syntax akan sangat memudahkan dalam melakukan editing. Misalnya mencoba melakukan pengkategorian variabel numerik dengan batas kategori yang berbeda dari parokan ke normatif misalnya, tinggal mengedit file teks (syntax) kemudian di Run syntax yang diedit, selesai dengan sangat cepat.
ANALYSIS BIVARIATE
Analysis bivariate dalam PKL terpadu adalah untuk  mencari faktor penyebab dari suatu masalah yang ditemukan. Secara umum analysis bivariate adalah untuk ,mengatahui keterkaitan 2 variabel yang mengacu pada landasan teoritis yang sesuai.
Pada PKL terpadu ini semua variabel dijadikan menjadi 2 kategori. Alasannya adalah berdasarkan kesepakatan bahwa faktor penyebab (istilah lainnya faktor risiko) ditentukan dengan mencari nilao OR (estimasi OR). Walaupun pengumpulan data disain crossectional, namun disepakati dalam mencari faktor penyebab dengan menghitung nilai OR. Perintah yang dipakai untuk ini adalah Crosstabs, dapat dipilih dari menu ANALYZE-DESCRIPTIVE STATISTICS – CROSSTABS, akan tampil sebagai berikut :
Masukkan independen variabel (expossure/faktor risiko) di Row dan Dependen Variabel (outcome) di Colom. Selanjutnya klik Statistics

Pilihan Risk adlah untuk mengeluaarkan nilai OR. Klik Continue untuk kembali ke jendela sebelumnya. Kemudian klik Cells untuk menentukan persentase. Pilih Row pada Percentage, karena independen var diletakkan di row

Klik Continue untuk kembali ke jendela sebelumnya dan Klik OK. Bisa juga di-pastekan ke file syntax dan akan ditempatkan di bawah syntax sebelumnya..

Panduan mengolah data Konsumsi klik disini
Panduan Mengolah data Status Gizi klik disini

Penggabungan Data
Penggabungan data merupakan bagian yang sangat penting dalam pengolahan data khususnya dalam analisis bivariate, oleh karena antara variabel independen (penyebab) dengan dependen (dampak terletak pada file yang berbeda. Misalnya antara penyakit dengan status imunisasi terletak pada file yang berbeda. Secara standar, penggabungan data (merge) ada 2 jenis (1) Penambahan recode (add rcases) dengan struktur file yang sama, dan (2) Penambahan Variabel (add variables) dengan jumlah record yang sama.
Pada kasus penggabungan data PKL terpadu adalah add variable dengan jumlah record berbeda. Untuk penyelesaian kasus ini strateginya adalah : Buka lebih dulu file dengan jumlah record lebih banyak, kemudian gabungkan dengan file dengan file dengan jumlah record lebih sedikit.
Contoh :
Untuk menggabungkan data Anak Sekolah dengan data keluarga, dimana dalam 1 keluarga bisa saja terdapat 1 atau 2 anak sekolah maka jumlah record dari file Anak Sekolah lebih banyak dibandingkan dengan record data keluarga. Syarat mutlak penggabungan data Add Variable adalah bahwa di kedua file yang akan digabung harus memuliki 1 file kunci (key variable) sebagai kunci penggabungan data. Dalam hal ini kita sudah mempersiapkannya sejak dari awal dengan 1 field yaitu kode.
Langkah-langkah Penggabungan data (penggabungan file) :

  1. Buka file kedua (file yang jumlah record sedikit). Pada contoh akan emnggabungkan data Anak Sekolah.sav dengan data keluarga.sav, maka data keluarga dibuka lebih dulu.
  2. Sort file keluarga.sav dengan key kode dan Sort Order Accending
  3. Simpan.file keluarga.sav
  4. Buka file kedua (file dengan record lebih banyak (anak sekolah.sav)
  5. Sort file anak sekolah.sav dengan kunci kode dengan pilihan sort order Accending.
  6. Simpan file anak sekolah.sav.
  7. Gabung kedua file pada saat file anak sekolah sedang terbuka dengan memilih menu Datas - Merge File, sepertitampilan berikut ini. Pertama pilih pada menu Data lalu pilih Merge File, lalu di dalamnya pilih Add Variables

Klik (beri tanda check) pada Match case..... Klik field kode, lalu klik tanda padah, sehingga field kode pindah ke jendela key variables. Lalu klik OK.
Biasanya akan muncul warning bawa SPSS hanya akan menggabung data yang telah disort  menurut key variable tertentu. Abaikan saja warning tersebut dengan mengklik OK


File yang sudah digabung bisa disimpan dengan nama yang berbeda, atau tidak disimpan, dan dilakukan penggabungan saat dibuthkan saja. Untuk lebih 'aman' data disimpan dengan nama kombinas file awalnya (misalnya keluarga sekolah.sav).

SELAMAT BEKERJA

gravatar

Mengolah data dari Master Tabel Word dengan Anthro 2005 dan SPSS

Dalam sebuah karya tulis ilmiah sering diminta untuk melampirkan master tabel haslpenelitian. Master tabel yang dibuat degan Microsoft Word tata letaknya bisa dibuat lebihmenarik. Master tabel seperti ini biasanya dibuat oleh peneliti yang mengolah data secara manual.
Pada kasus ini kita akan membahas bagaimana caranya menjadikan master tabel Wordmenjadi sebuah file database yang selanjutnya data tesrsebut bisa diolah degan aplikasikomputer. Diasumsikan di dalam file tersebut terdapat field-field dari parameter antropometri seperti jenis kelamin, umur, berat badan dan tinggi badan. Pada contoh ini disediakan sebuah file hasil penelitian yang di lakukan terhadap anak prasekolah di Jambi (download preserve)

Langkah utama dalam pengerjaannya adalah :
1.  Mempersiapkan file Word untuk dikirim ke file Excel
2.  Meruba file Excel ke file DBF
3.  Mengolah file DBF dengan WHO Anthro 2005
4.  Menyimpan hasil olah Anthro ke file Excel
5.  Membaca file Excel untuk pengolaha lebih lanjut degan SPSS

Langkah 1 : PERSIAPAN FILE WORD
File master tabel di Word diutamakan tambilan, sehingga nama variabel disaikan dalam bentuk label teks. Lanfkah petama sebagai persiapan adalah meruba nama variabel ke nama field yag memenuhi ketentuan, misalnya maksimal 8 karakter, tapa spasi, tapa operasi matematis da tanpa tanda baca. Untuk itu buka Word, sisipkan 1 baris kosong di atas data baris pertaa. Ketikkan nama field yag sesuai untuk masing-masing variabel pada setiap kolom.
Setelah penamaan field dibuat seluruhnya, delete baris nama variabel asli bawaan master tabel. Langkah kedua adalah memeriksa penulisa numeric tag digunakan, misalnya penggunaan tanda batas desimal. Batas desimal yang legal adalah tiik (bukan koma). Gantilah koma dengan titik dengan cara muda degan Word yaitu dega fasilitas Find and Replace (ctrl H). Apabila ingin menggganti nama kategori pada data kategorik, lakukan haal yg sama seperti mengganti tanda desimal. Harap diperhatikan bahwa SPSS lebih failiar mengoperasikan angka ketimbag huruf (karakter). Dalam file contok ini tingkat pendidikan. Jadikan SD mejadi 1, SLTP 2, SLTA 3 da P.Tinggi 4. Setelah semua penyesuaian dilakukan, masuk ke langkah kedua menjadikan tabel menjadi file Excel.

Langkah 2: MENJADIKAN FILE EXCEL
  • Copy tabel word (haya tabelnya saja). Buka Ms.Excel. Paste-kan copyan tabel Word pada sel A1.
  • Lakukan perhitungan umur di Excel menggunakan formula. Umur dalam field asli adalah dalam satua tahun, sementara untuk pengolaha status gizi dibutuhkan umur dalam satuan bulan. Caranya : sisipkan 3 kolom kosong di sebelah kana field umur.
Misalkan field umur dalam tahun adalah pada sel F2, sisipkan 3 kolom kosong di sebelah kanan kolom F sehingga menjadi kolom G, H dan I.
  • Pada sel G2, masukkan formula =F2*12 tekan enter, untuk mengalikan umur dalam tahun menjadi umur dalam bulan. 
  • Letakkan kursor di G2 kembali dan arahkan pointer ke sudut kanan bawah sel G2, kemudian double click untuk mengkopi formula untuk semua sampel.
  • Pada kolom H2 masukkan formula =INT(G2) tekan enter. Formula ini berguna untuk menjadikan umur dalam satuan PENUH, yang dalam bahasa komputer menggunakan fungsi Integer. Kemudian copy formula utk semua sampel dengan cara spt di atas.
  • Agar data bisa dibaca oleh SPSS dengan benar maka sel yang berisi formula harus dijadilan nilai mutlak (angka sebenarnya dan bukan angka hasil formula. Untuk itu ikuti langkah berikut ini :
  • Blok data semua sampel pada kolom H, lalu copy (ctrl-C). Pindak ke sel I2 lalu pilih menu Edit-Paste Special, lalu pilih valua, dan klik OK. Isi kolom I sama persis dengan kolom H namun beda bentuk dimana kolom I adalah angka sebenarnya (bukan formula).
  • Langkah terakhir delete kolom-kolom proses yaitu kolom F, G, dan H.
  • Simpan file Excel, dan tutup Microsoft Excel
 Untuk menjadikan file berformat DBF, buka SPSS lalu Open - Data, pilih type file yang akan dibuka DBF files. Cari ke folder dimana data Excel disimpan,klik OK. Setelah file terbuka Save As data tersebut dengan format type pilihan adalah dBase IV (DBF). Setelah selesai tutup SPSS, dan ikuti langkah ke-3 berikut ini.

langkah 3 : MENGOLAH DATA ANTROPOMETRI

  • Buka Program WHO Anthro PLUS, oleh karena data yang akan diolah adalah status gizi anak prasekolah (5-10 tahun)
  • Pilih menu 3 : Nutritional Survey
  • Pilih pada menu Survey Import from File. dan arahkan ke folder data DBF disimpan
  • Setelah terbuka akan muncul form inisialisasi fiel. Bila menggunakan nama-nama field yang disarankan seperti jenis kelamin (SEX), umur (AGE), berat badan (WEIGHT) dan tinggi badan (HEIGHT), maka akan otomatis field-diled tersebut langsung terbaca oleh Anthro. Namun jika nama fiel selain itu, lakukan pemilihan pada combo box yang ada di sebelah kanan setiap field.
  • Data akan langsung terolah setelah menekan tombol OK.  lanjut ke langka 4
Langkah 4 : MENYIMPAN HASIL OLAH ANTHRO ke EXCEL
  • Klik kotak kosong pada bagian kiri atas tampilan database untuk memblok semua baris (semua sampel sekaligus)
  • Copy database (ctrl C)
  • Buka Microsoft Excel tanpa harus menutup Anthro2005
  • Pastekan pada sel A1
  • Edit isi sel file Excel, terutama baris pertama dengan nama field yang memenuhi ketentuaan penamaan field seperti sudah disebutkan di atas. Hal ini perlu karena judul kolom hasil pengkopian adalah nama variabel seperti umur tertulis AGE (month).
  • Delete kolom-kolom yang datanya tidak tersedia seperti indeks Head circumferen, tricept skinfold dan sub scapulan skinforl.
  • Simpan file Excel, dan tutup Microsoft Excel
Langkah 5 : MENGOLAH KLASIFIKASI STATUS GIZI
  • Buka SPSS danbaca file XLS hasil proses langkah 4
  • Simpan dengan mama baru
  • Klasifikasikan status gizi setiap indeks sesuai klasifikasi SK Menkes No 920/Menkes/SK/VIII/2002. Untuk memudahkan, silahkan download syntax SPSS untuk pengklasifikasian, KLIK DISINI (preserve)
SELAMAT MENCOBA

    Masukkan Email Anda di Sini:

    Delivered by top1hit4m

    Bidan 1b 2013

    BAKULDATA
    Agusriani IP
    WP
    Atikah Mardatillah M.
    Dara Tiarani
    Desi Atriani
    Dewi Safitri
    Dina Oktavia
    Elkartika Zelita
    Elyza rahmana Putri
    Fadhila Umaira
    Febrisia Ramona 
    FENI WIDIASARI
    Fitra Nur Aziza
    Fuji Flamya
    WP
    HELLA ANAKETI M
    Kasrawita Krishna M O
    Leolin
    Melsa Handasari
    WP
    MERRY MILIANDINI
    MUTIA FEBRIANA
    NINI FAZILA
    NURFADHILAH
    Ovi Riani
    Putri Amelia
    Putri Marta Liza
    RAHMI OKTRIWIDYA
    RATIH KARTIKA M
    RIRI SUSANTI
    ROSA EFNITA
    SHILVIA SUCI R.
    SYAMSU RAHMAH
    UCI TRISNA
    WITMA APTRIYANA
    YONANDA ALMADYA