kata kunci manajement karya ilmiah

Loading

Sabtu, 21 Juli 2012

UAS KOMPUTER LANJUT




MANAJEMEN DATA dengan SPSS dan WHO ANTRO

No
Perintah yang harus dikerjakan
Cara
HASIL LAPORAN
1.
Identiras Mahasiswa
Tulis nama dan NIM
1.      Nama : Septi Nursakinah
Nim : 102114343
[nama file] yang akan diolah: GANJIL
2.
Pemilihan File : Bagi yang digit terakhir NIM nya ganjil pilih file Ganjil.rec dan digit terakhir NIM genap pilih file GENAP.rec
File yang dipilih adalah ganjil. Rec

Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah GANJIL.
3.
Jalankan epidata, pilih menu export. Pilih file sesuai pilihan Anda (genap/ganjil) untuk dieksport ke SPSS. Setelah di export tutup epidata.
Buka epidata, export ganjil ke spss. Epidata ditutup kembali.
File hasil eksport Epidata ke SPSS berekstensi sps Dengan nama file Septi Nursakinah.sav
4.
Jalankan spss dan buka file syntax yang dihasilkan oleh exporting Epidata, kemudian Run syntax tersebut. Setelah running selesai simpan file data spss tersebut dengan nama file Nama Anda sendiri (sesuai dengan nama di absensi )
Buka spss , open data, klik rika anggraini suwza.sav, lalu open syntax , edit, run all, lalu simpan dengan nama rika anggraini suwza.
File syntax Ganjil.sps Dieksport ke SPSS dan disimpan dengan nama Septi Nursakinah dan ekstensi sps
5.
Periksa file data yang dihasilkan meliputi jumlah semua field, jumlah record, jumlah field kategorik dan jumlah field numerik
Lihat variabel view lalu edit variabel view dan hitung jumlah filed. Dan kategorikan kategorik atau numerik.
File data [Septi Nursakinah] berisi 39 field dan 8390 record. Data kategorik sebanyak 26 field dan data numerik sebanyak 13 field
6.
Buat sebuah file syntax dan isi pertama kali dengan variabel labels dan valur label data kategorik. Draft variabel labels bisa dicopy dari syntax export file dari epidata.
Buat syntax yang baru, copy  latihan spss dan run.
Simpan file syntax dengan nama yang sama dengan file data. Pastekan disini sintax tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus, tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana

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 'Ya' 2 'Tidak' .
ADD VALUE LABELS ukurtb 0 'Tidak' 1 'Ya' .
ADD VALUE LABELS fundus 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.      Periksa terlebih dahulu field pendidikan (didik). Jika ditemukan data yang missing delete record yang missing tersebut.
Untuk mengcleaning data yang harus dilakukan dahulu adalah data filed harus di sortcase terlebih dahulu dengan mengklik Data pada Toolbar Spss lalu pilih Sortcase, lalu masukkan variable yang akan di sortcase setelah itu pilih ascending untuk mengurutkan data dari yang kecil ke yang besar atau descending untuk mengurutkan data dari yang tbesar ke yang kecil lalu klik OK. lihat pada colom field pendidikan/ field yang mau di cleaning, kalau ada data yang missing maka itu harus di delete. untuk melihat berapa data yang harus di delete maka klik analyze lalu pilih descriptif statistic  setelah itu pilih frekuensi,lalu masukkan field yang mau di lihat dan apabila kita melihat data numerik dihilangkan tanda ceklis display data, kalo untuk data kategorik harus di ceklist dan klik ok . dan keluar output data disana bisa dilihat berap jumlah data yang missing. Sehingga dapat diketahui berapa jumlah data yang harus di delete/di cleaning. jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8382 record.
8.       Periksa field kerja, jika ditemukan data missing delete smua record yang field [kerja] nya missing.
Cara nya klik Analyse – descriptive statistik – fekuensi – kerja –ok
Lalu Hapus data yang missing : dengan cara klik data – sort case – kerja ascending – ok.
Delete yang missing.
Jumlah field sebelum didelete record yang kerja nya missing maka jumlah record awalnya adalah sama dengan jumlah record setelah soal no.7 dikerjakan yaitu sebanyak 8380 record.

9.       Lakukan cleaning data untuk variabel tekanan darah sistolik dengan batasan data yang sah (valid)nya adalah 100-300 mmHg, artinya record kurang dari 100 dan lebih dari 300 didelete
Transform – recode into diffrent variabel – td sistolik - masukkan batasan 100 – 300 – continue – paste
Lalu Hapus data yang missing dengan cara : data – sort case – TD sistolik ascending – ok
Delete yang dibawah 100 dan di atas 300
Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8380  record dan setelah dilakukan penghapusan field sistol yang missing tersisa  7129 record.
10.   Lakukan hal yang sama dengan soal nomor 9 untuk variabel tekanan daarah diastolik [diastol] dengan batasan 60-150 mmHg
Dengan cara pilih : Transform – recode into diffrent variabel – td diastolik - masukkan batasan 60 – 150 – continue – paste
Hapus data yang missing dengan cara : data – sort case – TD diastolik ascending – ok
Delete yang dibawah 60 dan di atas 150
Jumlah record sebelum di delete diastol yang missing adalah sebanyak  7129 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 6958  record.
11.  Periksa kembali NIM Anda :
Catat angka 2 digit terakhir NIM Anda
Jika digit terakhir Anda adalah Ganjil, kerjakan soal nomor 12.a dan 12.b dan bila digit terakhir NIM Anda genap kerjakan soal nomor 13.a dan 13.b . Ganjil maka mengerjakan no 12 digit terakhir 
2 digit terakhir NIM saya adalah : 43
1 digit terakhir adalah :  3
12.  a Sort field tinggi badan ibu [tb] dengan sort order
b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda
Data – sort case – tb –ascending – ok
a.       Delete sebanyak 100 record dan dimulai dari 43.
b.      Ganjil :
Jumlah record tersisa setelah di delete sebanya 100 recor mulai dari 2 digit NIM adalah
6858 record.
13.   ___
14.   Buat tabel distribusi frekuensi untuk variabel Pendidikan [didik] dan berikan komentar singkat !
Dengan cara : klik Analyse – descriptive statistik – frekuensi – didik –ok. 
Sehingga dapat dilihat banyak ibu-ibu yang berpendidikan SD/BH,SMP,SLTA atau P. Tinggi.
Dari tabel distribusi lebih dari 40 % ibu responden tamatan Perguruan Tinggi dan kurang dari 3 % tamaatn SD/BH. Menunjukkan lebih banyak ibu responden yang memiliki tingkat pendidikan tinggi (SLTA dan SLTP).
Frekuensi pendidikan formal ibu tertinggi yaitu P. Tinggi sebnyak 2975 record.
Dan frekuensi pendidikan formal ibu terendah yaitu BH/SD sebanyak 191 record.
15.   Sederhanakan kategori pendidikan menjadi tinggi dan rendah, dimana pendidikan tinggi adalah SLTA ke atas. Pastekan lebih duluu perintah transformasi ke syntax sebelum di OK kan atau sebelum di-run kemudian hitung distribusi frekuensi kategori pendidikan yang sudah disederhanakan tersbut. Pastekan disini syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan
Transform – recode into different variabel – didik – tinggi di atas SMA dan selebihnya bawah – paste
Buka syntax tambahkan add value labels didik2 1 ‘Tinggi’ 2 ‘Rendah’ . – blok recode sampai execute tadi lalu run current
RECODE DIDIK (0=1) (2=1) (3=2) (4=2) INTO didik1.
VARIABLE LABELS  didik1 'kategori pendidikan'.
ADD VALUE LABELS didik1 1"Rendah" 2 "Tinggi".
EXECUTE
Berdasarkan tabel diatas pendidikan dikategorikan pendidikan tinggi dan rendah.
Kategori pendidikan tinggi sebanyak 5949 record
Kategori pendidikan rendah sebanyak 907 record
Dan missing 0
16.  Lakukan cleaning data fiel kategorik lainnya seperti : darah, pernah, akseptor, alasan dan rencana seperti mengerjakan soal nomor 7 di atas Laporkan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning.
Caranya :  Analyse – descriptivr statisric – frekuensi – darah – ok.
 Jika ada yang missing delete ( dengan melihat jumlah yang konsisten ), caranya data – sort case – darah – ascending – ok. Begitu juga dengan field pernah, akseptor, alasan, dan rencana. 
a.      Darah
Jumlah  record sebelum didelete 6856 record dan missing 4 jadi jumlah record setelah di delete 6852 record
b.      Pernah
Jumlah  record sebelum didelete 6852 record dan missing 1 jadi jumlah record setelah di delete 6851 record
c.       Akseptor
Jumlah  record sebelum didelete 6851 record dan missing 6  jadi jumlah record setelah di delete 6845 record
d.      Alasan
Jumlah  record sebelum didelete 6845 record dan missing 17 jadi jumlah record setelah di delete 6828 record
e.       Rencana
Jumlah  record sebelum didelete 6828 record dan missing 52 jadi jumlah record setelah di delete 6776 record
17.   Lakukan cleaning data lanjutan untuk field di bawah ini dengan batasan sbb :
- Kadar Hb : 6,0 - 17,5 mg/dl
- Tinggi badan 135,0 - 180 cm
- Berat Badan : 35,0 - 80,0 kg Laporkan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning.
·         data – sort case – kadar Hb – ascending – ok, jika tidak sesuai ketentuan delete
·         data – sort case – TB – ascending – ok, jika tidak sesuai ketentuan delete
·         data – sort case – BB – ascending – ok, jika tidak sesuai ketentuan delete
a.      Hb
Jumlah  record sebelum didelete 6776 record dan missing 24  jadi jumlah record setelah di delete 6752 record
b.      TB
Jumlah  record sebelum didelete 6752 record dan missing 3 jadi jumlah record setelah di delete 6749 record
c.       BB
Jumlah  record sebelum didelete 6749 record dan missing  jadi jumlah record setelah di delete 6733 record
18.   Lakukan langkah cleaning data terakhir untuk melihat konsistensi antar field yang saling berhubungan, yaitu antara pernah memeriksakan kehamilan [pernah] dengan frekuensi pemeriksaan kehamilan. Sampel yang pernah memeriksakan kehamilan frekuensinya minimal 1 dan tak boleh kosong. Sampel yang tak pernah memeriksakan kehamila maka frekuensi pemeriksaannya harus missing Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete).
·         a. Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan frekuensi pemeriksaan kehamilan (kali),
·         Bandingkan jumlah data yang tidak memeriksakan kehamilan dengan jumlah data missing pada tabel frekuensi pemeriksaan seharusnya sama, begitu juga jumlah data yang ya dengan jumlah frekuensi.
·         Jika didapatkan data yang berbeda antara yang tidak  pernah memeriksakan kehamilan dengan jumlah data frekuensi yang missing, lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi dengan ascending  juga. Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi pemeriksaan kehamilan dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak  dengan data missing dan data Ya dengan jumlah frekuensi, maka cleaning data telah berhasil.
“Jumlah  record sebelum didelete 6733 record dan missing  jadi jumlah record setelah di delete 6563 record”
19.   Sort case field pernah memeriksakan kehamilan lalu liat field 5T jika 2 berarti tidak pernah memeriksakan kehamilan berarti 5T harus 0. Setelah itu frequensi kan 5T untuk mengetahui missing setelah dapat delete missing.
a.      Fundus dan pernah
Langkah – langkah
·                     Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan Pengukuran Tinggi Fundus,
·         Bandingkan jumlah data yang memeriksakan kehamilan dengan jumlah data pengukuran tinggi fundus pada tabel frekuensi pemeriksaan TF seharusnya sama, begitu juga jumlah data yang missing Memeriksakan TF dengan jumlah tidak memeriksakan kehamilan.
·         Jika didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan jumlah data pengukuran TF , lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi dengan ascending  juga. Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi pengukuran tinggi fundus dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak memeriksakan kehamilan  dengan data missing dan data Ya dengan jumlah frekuensi, maka cleaning data telah berhasil.
“Jumlah  record sebelum didelete 6563 record dan missing  jadi jumlah record setelah di delete 6538 record”
b.      Pernah dan ukur TB
Langkah – langkah
·                     Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan Pengukuran TB,
·         Bandingkan jumlah data yang memeriksakan kehamilan dengan jumlah data pengukuran tinggi fundus pada tabel frekuensi pemeriksaan TB seharusnya sama, begitu juga jumlah data yang missing Memeriksakan TB dengan jumlah tidak memeriksakan kehamilan.
·         Jika didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan jumlah data pengukuran TB , lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi dengan ascending  . Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi pengukuran TB dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak memeriksakan kehamilan  dengan data missing dan data Ya dengan jumlah frekuensi, maka cleaning data telah berhasil.
“Jumlah  record sebelum didelete 6538 record dan missing 0, jadi jumlah record yang tersisa 6538 record “
c.       Pernah dan Tensi
Langkah – langkah
·                     Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan Pengukuran tensi,
·         Bandingkan jumlah data yang memeriksakan kehamilan dengan jumlah data pengukuran tensi pada tabel frekuensi pemeriksaan tensi seharusnya sama, begitu juga jumlah data yang missing Memeriksakan tensi dengan jumlah tidak memeriksakan kehamilan.
·         Jika didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan jumlah data pengukuran tensi , lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi dengan ascending  . Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi pengukuran tensi dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak memeriksakan kehamilan  dengan data missing dan data Ya dengan jumlah frekuensi, maka cleaning data telah berhasil.
“Jumlah  record sebelum didelete 6538 record dan missing 0, jadi jumlah record yang tersisa sebanyak 6538 record”
d.      Pernah dan TFE
Langkah – langkah
·                     Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan Pemberian TFe,
·         Bandingkan jumlah data yang memeriksakan kehamilan dengan jumlah data Pemberian Tfe pada tabel frekuensi pemebrian Tfe seharusnya sama, begitu juga jumlah data yang missing Tfe dengan jumlah tidak memeriksakan kehamilan.
·         Jika didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan jumlah data Tfe, lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi dengan ascending  . Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi TFe dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak memeriksakan kehamilan  dengan data missing dan data Ya dengan jumlah frekuensi, maka cleaning data telah berhasil.
“Jumlah  record sebelum didelete 6538 record dan missing 0, jadi jumlah record yang tersisa sebanyak 6538 record”
e.       Pernah dan TT
Langkah – langkah
·                     Lakukan analyze àdescriptive statisticàfrekuensiàpemeriksaan kehamilan (pernah) dengan Pemberian TT,
·         Bandingkan jumlah data yang memeriksakan kehamilan dengan jumlah data Pemberian TT pada tabel frekuensi pemberian TT seharusnya sama, begitu juga jumlah data yang missing TT dengan jumlah tidak memeriksakan kehamilan.
·         Jika didapatkan data yang berbeda antara yang pernah memeriksakan kehamilan dengan jumlah data TT, lakukan cleaning data : sort cases data pernah memeriksakan kehamilan descending  dan sort cases data frekuensi TT dengan ascending  . Akan terlihat data tidak pernah memeriksakan kehamilan dengan kode 2, yang seharusnya pada tabel frekuensinya kosong/missing tapi ada angkanya. Delete data yang tidak konsisten tersebut.
·         Untuk lebih meyakinkan, frekuensikan lagi data pemeriksaan kehamilan dengan frekuensi TT dan cocokkan seperti langkah pertama dan kedua.
·         Jika sudah sama data tidak memeriksakan kehamilan  dengan data missing dan data Ya dengan jumlah frekuensi TT, maka cleaning data telah berhasil.
Jumlah  record sebelum didelete 6538 record dan missing 0, jadi jumlah record yang tersisa sebanyak 6538 record”
20.   Sort case field akseptor lalu liat field nya jika 0 filed ksepsi, dan N5E harus kosong dan field alasan tidak berKB dan alasan lain tidak ber KB harus terisi.
Lakukan analisa frekuensi untuk ketiga data akseptor, kontrasepsi dan alasan tidak berKB dan bandingkan data : data akseptor (Ya)= Data Kontrasepsi (Ya)≠ Alasan berKB.
“Jumlah field sebelum konsistensi akseptor, kontrasepsi dan alasan tidak ber KB, dengan yg missing adalah 6538  dan setelah field konsistensi akseptor, kontrasepsi dan alasan tidak ber KB dicleaning 6538 adalah record
21.   Pastekan semua syntax yang berhubungan dengan compute IMT dan pengkategoriannya disini, kemudia paste-kan output frekuensi kaegori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output.
COMPUTE imtibu=BB/((TB / 100)*(TB / 100)).
EXECUTE.
RECODE
  IMTIbu
  (Lowest thru 16.9=1)  (17.00 thru 18.5=2)  (18.6 thru 25=3)  (25.1 thru 27=4)  (27.1 thru Highest=5)  INTO  imt15 .
VARIABLE LABELS imt15 'IMT Ibu Hamil'.
ADD VALUE LABELS imt15 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE .
RECODE
Dari tabel diatas lebih dari separoh ibu hamil memiliki IMT normal /status gizi baik.
Jumlah  record sebelum didelete 6378 record dan missing jadi jumlah record setelah didelete 6340 record
COMPUTE IMTAnak=WEIGHT / ((HEIGHT/100) * (HEIGHT/100)).
EXECUTE.
  (Lowest thru 16.9=1)  (17.0 thru 18.4999999=2)  (18.5 thru 25.0000001=3)  (25.0 thru 27.0=4)  (27.001 thru Highest=5)  INTO
   imta5 .
VARIABLE LABELS imta5 'IMT Anak Balita'.
ADD VALUE LABELS imta5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE .
Dari tabel diatas sebagian besar Anak balita kebanyakan memiliki imt Normal. 
Jumlah  record sebelum didelete 6538 record dan missing jadi jumlah record setelah didelete 6378 record
Analisa Bivariat
1.                  Tentukan variabel independen dan dependen sesuai dengan tujuan penelitian
2.                  Tentuka nama field dari variable tersebut
3.                  Tentukan apakah variable tersebut tergolong ke numerik atau kategorik
4.                  Tentukan uji yang harus dilakukan.
Apabiladata kategorik maka di lakukan uji chi-square dan HO pengujiannya. Apabila numerik dengan kategorik uji yang dilakukan uji anova, apabila numerik dan kategorik uji t-test, dan apabila keduanya numerik maka dilakukan uji korelasi.
a. Cara melakukan uji chi-square : klik analyze, pilih descriptif statistic, pilih crosstab. masukkan variablenya dan pilih statistik lalu ceklist chi-square.
b. Cara melakukan uji t-test : klik analyze, compare mean lalu klik independent sample t-test. pada test variable masukkan data numerik dan data kategorik serta tetapkan define group misalnya 1= tinggi 2 =rendah. lalu klik OK
c. Cara melakukan uji Anova : klik analyze, pilih omapre mean dan pilih  one-way Anova. masukkan variblenya dan jgan lupa klik post hoc untuk mengklik bafferoni dan klik OK.
5.                  Kalau salah satu varible merupakan variable numerik maka harus di lakukan uji nomality dengan cara klik analyze, pilih descriptive statistic lalu pilih explore dan masukkan variable lalu klik plots dan ceklist normality plots with t-test dan klik histogram untuk melihat sebaran datanya.lalu pada statistik ceklist outlier untuk melihat data extrim lalu klik OK.
6.                   Lalu lihat hasil uji
7.                  Buat bahas dan buat kesimpulan serta bandingkan dengan penelitian terdahulu

a.      Tujuan Penelitian untuk mengetahui hubungan antara pendidikan dengan pekerjaan yang dimilik reponden
·         Idenfifikasi variabel dalam tujuan penelitian :
Pendidikan : Independent variabel
Pekerjaan : Dependent Variabel
·         Identifikasi field dalam database :
Pendidikan : didik
Pekerjaan : kerja
·         Tentukan karakteristik data (K/N):
Pendidikan : K
Pekerjaan : K
·         tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
uji : uji beda proporsi
teori : makin tinggi tinggi pendidikan ibu maka makin bagus pekerjan ibu
HO :tidak ada perbedaan proporsi ibu antara ibu yang tamatan Sd, SLTP, SLTA dan perguruan tinggi
Kesimpulan : Ada perbedaan prporsi ibu yang tidak bekerja antara ibu yng tamat sd,sltp,slta dan perguruntinggi
b.      Tujuan Penelitian untuk mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih Ibu untuk ber-KB
·         Idenfifikasi variabel dalam tujuan penelitian :
Pekerjaan  : Independent variabel
Alat kontrasepsi : Dependent Variabel
·         Identifikasi field dalam database :
Pekerjaan : kerja
Kontrasepsi yang dipakai : Ksepsi
·         Tentukan karakteristik data (K/N):
Pekerjaan : K
Kontrasepsi yg dipakai :K
·         tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
uji : uji beda proporsi
teori : makin tinggi pekerjaan ibu maka makin bagus alat kontrasepsi yang digunakan
HO : ada perbedaan proporsi alat kontrasepsi yang digunakan ibu dengan tingkat pekerjaan ibu
·         hasil uji dan interpretasi

Kesimpulan :  ada perbedaan proporsi alat kontrasepsi yang digunakan ibu dengan tingkat pekerjaan yang dimiliki ibu
c.       tujuan penelitian untuk mengetahui hubungan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah
·         Idenfifikasi variabel dalam tujuan penelitian :
Pemberia tablet FE  : Independent variabel
Kadar Hb : Dependent Variabel
·         Identifikasi field dalam database :
Tablet Fe : TFE
Kadar Hb : Hb
·         Tentukan karakteristik data (K/N):
Tablet Fe : K
Kadar Hb :N
·         tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
Uji : = Uji beda 2 rata2 à 2 kategorik à Uji beda 2 rata2 à T-Test                       àIndependent sampel T-TEST
Teori : jika diberikan tablet Fe maka kadar Hb semakin bagus
HO : ada perbedaan rata-rata kadar Hb ibu antara yang mendapatkan Tfe dan Yang tidak mendapatkan Tfe.

·         hasil uji dan interpretasi

Kesimpulan :
Nilai p < 0,05 ; Ada perbedaan kadar Hb ibu yang mendapatkan tablet Fe dan dan ibu yang tidak mendapatkan tablet Fe.

d.      Tujuan penelitian untuk mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan
·         Idenfifikasi variabel dalam tujuan penelitian :
Pendidikan : Independent variabel
Frekuensi kehamilan: Dependent Variabel
·         Identifikasi field dalam database :
Pendidikan  : didik
Frekuensi kehamilan : kali
·         Tentukan karakteristik data (K/N):
pendidikan : K
frekuensi kehamilan :N
·         tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
uji : uji One-Way Anova
teori : makin tinggi pendidikan maka makin sering yang meriksaka kehamilan
HO : tidak ada perbedaan rata-rata frekuensi pemeriksaan kehamilan antara ibu yang tamatan SD,SLTP,SLTP dan perguruan tinggi
·         hasil uji dan interpretasi

e.       Tujuan penelitian untuk mengetahui hubungan antara umur ibu dengan tekanan darah sistolik
a)      Idenfifikasi variabel dalam tujuan penelitian :
Umur ibu : Independent variabel
Tekanan darah sistolik: Dependent Variabel
b)     Identifikasi field dalam database :
Umur ibu : umur
Tekanan darah sistolik : sistol
c)      Tentukan karakteristik data (K/N):
Umur ibu : N
Tekanan darah sistolik :N
d)     tetapkan uji sementara, teori yang relevan dan Hipotesis Nol (H0) pengujian
uji : Korelasi
teori : Makin tinggi umur ibu makin tinggi tekanan darah sistolik ibu
HO : Tidak ada korelasi antara umur ibu dengan tekanan darah
e)      Hasil uji dan interpretasi
P<0,05 maka data sebaran tidak normal
Kesimpulan :
Korelasi arah positif dengan kekuatan kuat

 WHO ANTRO
1.      Save as dan SPSS ke format dbase IV
2.       Buka WHO Anthro dan menggunakan menu Nutritional survey baca data DBF, kemudian olah sesuai prosedur yang sudah di pelajari
3.       Pilih semua baris dan copy ke Clipboard dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu di edit, kemudian simpan ke format Excel 97-2003
4.      Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan
5.       Lakukan trasformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U, BB/U). langkah ini bisa di persingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi statsu gizi dengan perintah frequencies dan pastekan hasilnya.
6.      Hitung prevalensi sifat masalah gizi (akut dan kronis, kronis,akut dan normal). Cara tercepat melakukannya adalah me-run syntax yang di hasilkan pada praktek dalam perkuliahan. Hasil prevalensinya di pastekan disini.

Hasil Kerja Who Antro
1.      Klasifikasi status gizi menurut BB/TB :
dari hasil dapat dilihat bahwa sebanyak 21.3 % anak berstatus Sangat kurus dan 22,7% anak berstatus gemuk. prevalensi anak berstatus Gizi normal yaitu sebanyak 49,6 %.
2.      Klasifikasi status gizi menurut TB/U :
dari hasil dapat dilihat sebanyak 23.7 % anak berstatus sangat pendek dan hanya 18.4% anak berstatus tinggi. sedangkan prevalensi anak berstatus normal sebanyak 50,2%.
3.      Klasifikasi status gizi menurut BB/U :
dari hasil dapat dilihat sebanyak 21.0 % anak berstatus gizi buruk dan lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 57.5 %.
4.      Akut dan Kronis :
dari hasil dapat dilihat hanya 9.3 % anak yang dinyatakan menderita kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi normal yaitu sebanyak 57.4 %.