Rabu, 21 Agustus 2013

materi SP (analysis bivariat)

rabu 20 agustus 2013 hari rabu pembahasan materi sP kali ini tentang analysis bivariat.
pada analysis bivariat ini kita harus bisa menampilkan grafik. kalau seandainya grafiknya itu norma, nilai median terletak di tengah. untuk menentukan data kita normal atau tidak maka kita perlu melakukan pengujian, salah satunya yang pertama kita melihat dengan :
 1. grafik histogram dengan grafik ini kita bisa melihat bentuk data dengan diagram batang. pada diagram batang ini, data yang normal bisa kita tentukan dengan melihat grafik garis yang terdapat di atas grafik batang. pada puncak grafik batang tersebut jika dihubungkan dengan titik-titik maka akan terbentuk grafik garis. jika grafik garis putus itu menyeruai grafik garis yang ada, maka data kita termasuk data normal.
 2. box plot untuk melihat apakah data kita normal atau tidak kita harus melihat
a. bentuk kaki pada grafik. apakah kakik sama panjang atau tidak?
 b. tdak ada data ekstrim, kalau pun ada harus sama banyak antara atas bawah
c. perbedaan box tidak terlalu besar, d. garis median terletak di tengah

3. Q - Q plot pada q - q plot ini kita meihat berapa banyak data yang menyebar dari patokan garis normal. jika data banyak yang tersebar / berada pada di luar garis normal, berarti data itu tidak normal. begitu juda sebaliknya. sekarang, jika kita menemukan data kita tidak normal, maka lakukan penormalisasikan data. dengan cara menyinsingkan data atau me-logkan variabel. pilih salah satu. 1. menyisingkan out liyer caranya dengan cara memissingkan range. transfrom > recode into variabel > isikan range > tandai old value > add cheklist all other value > tandai sistem missing > add > continue > oke.
 2. men-log kan variabel dengan cara menjadikan variabel sebagai logaritma. caranya : transfrom > compute variabels > isikan pada fuction group (arithmatic) > pada functions and special variabels (log 10) > isikan pada kolom target variabel > isikan pada numeric variabel field yang kita pilih > setelah itu ganti dengan log nama filed yang tercetak dalam kurung > oke jika setelah kita lakukan normalisasi data tetapi masih tetap tidak normal maka ambil dari slah satu tindakan :
1. uji non parametrix
2.kategorikan variabel dalam uji beda proporsi setelah itu dalam menggunakan uji hipotesis teknik yang digunakan harus ditempatkan pada tempatnya, sesuai dengan kapasitas data.
 data berpasangan adalah data yang diambil dari subjek yang sama. terdapat data 1 dan data 2. contoh : hubungan berat badan responden A yang kos dengan berat badan responden A setelah pulang kampung ke rumah. sedangkan data yang tidak berpasangan adalah data yang diambil dari subjek yang berbeda. terdapat subjek yang mempunyai data yang sama. contoh : BB responden A yang sedang kos dengan BB responden B yang tinggal bersama orang tua.
 cara/langkah dalam melakukan uji hipotesis:
1. identifikasi variabel
2. tentukan tujuan penelitian
3. identifikasi field dalam database. tentukan karakteristik field (apakah termasuk kategorik atau numerik)
4. tentukan jenis uji, baca hasil dan interpretasikan data (H0 dan konfident interval)
5. jika terhadap data numerik batas kepercayaan 95%
6. lakukan pengujian dan interpretasikan data
7. pembahasan ,

Selasa, 20 Agustus 2013

Materi sp (analysis univariat)

Senin 19 agustus 2013 Hari ini hujan deras, berat rasanya langkah ini karena harus melawan rasa untuk memilih antara tidur di rumah dengan kuliah. Tapi biarpun bisa tidur enak pasti rasanya bakal gak enak. Soalnya pasti kepikiran terus sama kuliah komputer. Syukur syukur bisa cepat selesai jadi bisa aman dan gak ngerasa was was.

 Kemaren kesepakatannya mulai kuliah jam 08.00 wib. Tapi diganti jam 14.00 wib. Aku yang udah datang jam 08.00 ke kampus jadi harus nunggu sampe jam 14.00. Kebayang gak? lamanya nunggu dari jam 8 sampe jam 2 siang . untungnya nunggu gak Cuma sendirian aja, tapi juga ada netti. Jadi sementara nunggu sampe jam 2 kita nonton film kartu tentang mouseworld. Jadinya waktu berlalu gak terasa. Habis itu kita pindah posko, dari yang awalnya kita nangkring di teras gedung labor ke labor komputer. Lumayan sih bisa ngademin badan. Khan labor pake AC. Hehe.. setelah itu kita mutusin buat browsing bentar. Sekarang udah jam 11.30.

ehhh lagi enak enakan browsing malah mati lampu. Yah asem dah! Dari pada gelap gelapan di labor komputer mending jendela di buka biar ada cahaya yang masuk. Lumayan sambil ngeliatin hujan . sambil nunggu lampu hidup aku dan netti cerita cerita. Ceritanya apa aja, mungkin lebih ke curcol kali ya (curhat). Gak terasa udah jam 2. Lampu akhirnya hidup YEY!!!!
Kita mutusin buat sholat dzuhur dulu. Pas turun dari tangga ketemu feni dan rani. Habis sholat kita mulai kuliah lagi dengan materi analisi univariat.

Analisis data Analisis data terbagi menjadi 2 bagian:
1. Univariat
a.Data kategorik : menghitung distribusi frekuensi Menghitung atau menyajikan distribusi frekuensi semua field kategori, termasuk hasil transformasi data. Terdapat komentar mengenai hasil tertinggi atau terendah di bawah masing-masing tabel.

 Cara mengomentari tabel distribusi frekuensi :

•Komentari hasil yang ekstrim (tertinggi/terendah)
•Gunakan kalimat kualitatif (informasinya umum misal: menterjemahkan angka 10% dengan kata 1 dari 10 orang responden)
•Rujuk ke permasalahan penelitian (langsung ke inti permasalahan).
•Isi tabel tidak harus sepenuhnya untuk dikomentari . cukup bagian isi tabel yang paling menonjol. •Menarik kesimpulan secara umum.
•Hindari pemakaian angka tapi lebih bersifat menjelaskan dengan kata – kata.

b.Data numerik : membuat gambaran variabel penelitian.
Dapat dicari dengan 2 cara :
I.Descriptive : Melalui descriptive .
pada menu descriptive tidak terdapat kategori untuk mencari modus (data terbanyak). Selain itu fasilitas yang ada di descriptive ini sama dengan frequensis.

Cara penulisan kutipan deskriptive statistik untuk rata-rata dan standard deviasi adalah : misalnya umur : rata-rata umur responden adalah 27.13 (+4.85) tahun yang berkisar antara 15 – 45 tahun . Satuan variabel di belakang dan nilai standard deviasi dalam kurung yang diawali dengan tanda +.

Di belakang tanda +/- diikuti dengan nilai rentangan. (min/max). II.Frequencis : Melalui frequensis. Pada menu frequensis ini terdapat modus. Jadi boleh dipilih mana yang ingin dipilih. Frequensis dipakai dalam :
A.menghitung statistik deskriptif termasuk uji normality

•Ukuran – ukuran penyebaran data (dispercy)
misal : nilai minimum, maksimum, range, standard deviasi, standard error.
•Ukuran – ukuran pemusatan data (central tendency)
missal: mean, median, modus, skeweness, dan kurtosis.

B.Uji normality : membutuhkan 3 data. : mean, median, modus.

   2.Bivariat
a.Uji beda proporsi
b.Uji beda rata-rata Catatan ;
I.Mean, median, modus dan skewwness dapat digunakan untuk uji normality.
Data dapat dikatakan berdistribusi normal apabila mean=median=modus, atau ketiga data tersebut selisihnya kecil. Media berada di tengah ketiga data. II.Dilihat skewenes ; data dapat dikatakan berdistribusi normal apabila skewness dibagi standard error of skewnessnya berkisar antara -1,27 sampai +1,27.

 Uji normality dapat dilakukan dengan salah satu atau lebih dari 6 metode :
1.Perbandingan mean, median, modus
2.Uji kolmogorov smirnov (KS)
3.Skewness
4.Histogram
5.Steam-leaf dan qq plot
6.Box plot

Contoh mengomentari tabel :

 Masih ada ibu ibu hamil yang bekerja sebagai petani sekitar 7% dan hampir seperampat responden yang bekerja sebagai pegawai negeri sipil Ibu-ibu hamil di lokasi penelitian memiliki pekerjaan terbanyak sebagai PNS (23%) sedangkan yang bekerja sebagai buruh hanya 7%

 Contoh Cara penulisan kutipan deskriptive statistik untuk rata-rata dan standard deviasi : 

 •75% dari keseluruhan responden mengaku telah menjalani proses pemeriksaan kehamilan.
•1 dari 4 orang responden mengatakan bahwa ia tidak pernah menjalani pemeriksaan kehamilan. Ini dibuktikan dari hasil tanya jawab yang telah dilakukan melalui lembar isian quisioner.
 •Keadaan ibu hamil dapat ditentukan dengan cara memeriksakan kehamilannya. Untuk mengetahui seberapa banyak iu hamil yang memeriksakan kehamilannya pada tenaga kesehatan dilakukan tanya jawab dengan menggunakan quisioner. Ternyata hasil yang didapatkan 25% ibu hamil tidak memeriksakan kehamilanya.
 •Ini merupakan bukti bahwa ibu hamil punya kesadaran yang cukup tinggi untuk menjaga prioritas kehamilannya. Terbukti kalau lebih dari 75% ibu yang memeriksakan kehamilannya.

Materi sp (transformasi data)

Minggu 18 Agustus 2013
 Materi semester pendek dengan mata kuliah komputer hari ini adalah transformasi data.
Pukul 10.00 wib kuliah pun dimulai.
Bapak usman memberikan arahan terlebih dahulu. Setelah itu kami mengerjakan latihan transformasi data dengan arahan bapak. Selanjutnya kami mengerjakan latihan mandiri. Materi transformasi cukup sulit karena itu banyak diantara kami (mahasiswa) memilih materi ini.

Transformasi itu sendiri artinya adalah menyederhanakan field menjadi kategori menjadi lebih sederahana. Transformasi terbagi menjadi 3 :
KK yaitu menyederhanakan variabel kategori
NK yaitu mengkategorikan variabel numerik
NN yaitu menghitung nilai numerik baru dari numerik yang sudah ada
Dengan catatan ; KK membuat field baru untuk menampung hasil pengkategorian variabel.
Misalkan pendidikan yang memiliki 4 kategori ( SD, SLTP, SLTA, dan PT) disederhanakan menjadi rendah (SD, SLTP) dan tinggi (SLTA dan PT) .

Tranformasi data NK Menghitung nilai dari perhitungan field numerik yang sudah ada kemudian disimpan dalam filed baru. Dalam perhitungan (rumus) dapat menggunakan fungsi-fungsi matematis. Contoh : untuk menghitung total skor variabel komposit dipakai fungsi jumlah.

Perintah yang digunakan adalah transfrom > recode > into different variabel > pilih field mana yang akan dibuat kategori baru > isikan nama field baru > isikan old value dan new value sesuai dengan ketentuan > continu > paste . Buka file syntax, isikan add value

misal : 0 untuk kategori ya dan 1 untuk kategori tidak . setelah itu blok lalu pilih ikon run selection. Pada file out , klik menu analyse > deskriptif statistic > frequensis > pilih field yang baru dibuat tadi (cari di paling bawah) > setelah itu oke.

Pada transformasi data :
1. Untuk data kategorik hanya mengisi pada value lama dan value baru. Agar field yang lama dapat disederhanakan menjadi kategori yang lebih sederhana dapat diganti namanya dengan value (nilai) yang baru.
2. Untuk data numerik mengisi bukan pada kolom value tapi pada range. Karena data numerik ini memerlukan batas atas value dengan batas bawah value. Misal : untuk data kadar hb batas atas 11,00000 mmHg sedangkan batas bawah 10,99999999999mmHg.

Berarti untuk Hb diatas 11 mmHg digolongkan responden dengan kadar hb normal sedangkan untuk hb yang dibawah 11 mmHg tergolong kepada responden anemia.

Maksud dari transformasi data adalah menyederhanakan data menjadi kategori data yang lebih sederhana dengan kata lain berarti mengelompokan data ke dalam kategori.

Untuk dapat mengelompokan data kita harus mampu mengelompokan data. Jadi gak sembarangan buat ngelompokin data.

Dalam mengelompokan data perlu acuan agar tidak salah dalam mengkategorikan data.

Mengelompokan data Ada 2 acuan yang dapat dipakai dalam pengelompokan data yaitu :
1. Acuan patokan
 2. Acuan normatif

Acuan patokan adalah batas kategori yang sudah ditetapkan oleh disiplin ilmu bersangkutan. Sedangkan acuan mormatif adalah batas ambang klasifikasi dicari dalam database bersangkutan berupa nilai-nilai deskriptif statistika. (mean, median, modus).

Misalnya : data kadar hb sebelum hamil adalah data numerik. Ingin diketahui prevalensi anemia maka kadar hb harus dikelompokan lebih dahulu.

Dasar pengelompokan adalah acuan patokan, karena sudah ditetapkan oleh kementrian kesehatan bahwa seorang ibu hamil dikatakan anemia bila kadar hb-nya

Jumat, 16 Agustus 2013

materi SP (cleaning data)

saturday 17 agust 2013.

 semester pendek pun dimulai :) semester pendek dengan mata kuliah komputer dan e-learning dimulai pada pukul 09.00. aku sedikit terlambat karena harus balik lagi ke rumah untuk mengambil flashdisk yang ketinggalan di rumah. waah :O bisa gawat kalo pak usman tahu kalo belajar komputer tapi lupa bawa flashdisk. itu sama aja pergi ke sawah tapi lupa bawa cangkul. apa yang mesti dikerjain kalo hal sepenting itu bisa lupa. setibanya di labor komputer hari udah nunjukin jam 09.20, setelah nyampe lapor sama bapak kalo aku telat. minta izin apa boleh ikut pelajaran atau gak. alhamdulillah boleh YEY !!


materi pertama pun dimulai. penggabungan data yang dikirim bapak lewat draf C harus digabungin. sebelum digabung harus buka program epidata. untuk menggabungkan data kita bisa klik di menu data in/out. setelah itu kita BROWSE data yang mau kita gabungin. setelah itu kita kasih nama file yang udah digabungin. untuk langkah selanjutnya kita gunakan hasil penggabungan dari kedua file tadi untuk digabungkan dengan file seterusnya . gak ngerti ya ?

jadi gini lo : misal file a digabungin jadi file b hasilnya file
1. untuk penggabungan selanjutnya file 1 kita gabung dengan file c dan hasilnya dikasih nama file
2. trus file 2 digabungin dengan file d hasilnya dikasih nama file
3. begitu seterusnya. setelah hasil final dari data yang udah digabungin, kita lakukan eksport data. dengan men-klik menu eksport data -- klik spss trus oke.

setelah itu kita buka program spss, klik menu file -- open -- syntax -- buka file yang telah kita eksport dari epidata tadi -- oke. untuk melihat apakah ada data kategori yang terdapat missing, kita juga bisa melihatnya dengan mengklik menu analiyze -- descriptive statistik -- frequensis -- lalu kita pilih mana data kategori yang akan kita lihat missing atau tidaknya. jika terdapat missing, kita lakukan untuk men-sort data dengan meng klik menu data -- sort cases -- pilih kategori mana yang akan kita lihat (ex : tinggi badan) pilih TB -- asending -- oke.

tujuannya agar kita bisa lebih mudah melihat mana diantara data kita yang tidak sesuai , tidak konsisten, tidak sesuia aturan (missing). setelah data kita lakukan assending, maka data yang missing akan muncul pada baris paling atas. kita hanya melihat pada bagian atas dari Data view. lakukan penghapusan dengan melihat berapa jumlah data kiata yang missing.

misal ; data kita missing ada 2456. maka lakukan penghapusan sebanyak 2456 pada data view. untuk melakukan pengujian apakah data yang sudah kita lakukan penghapusan sudah tidak ada missing lagi lakukan uji dengan menampilkan hasil dari frequensis tadi ( langkahnya seperti yang tertera diatas).

jika missingnya sudah 0 berarti data kita sudah bersih. lakukan seperti langkah diatas untuk pengujian data kategorik lainnya. untuk pengujian data numerik cara diatas tidak dapat dilakukan. tapi kita dapat mengetahuinya dengan cara mensort data numerik yang akan kita lihat. karena bisa jadi pada tampilan output terdapat missing yang sebenarnya tidaklah missing. untuk melihat apakah data numerik kita ada yang tidak sesuai (missing) maka kita perlu batasan. misalnya : untuk TB batas 140 - 175.
pada data view kita hanya mengklik menu data -- sort cases -- asending -- oke. untuk melihat apakah ada tinggi badan yang dibawah 140 cm. jika ada lakukan penghapusan. setelah itu, lakukan desending dengan langkah yang sama , untuk melihat apakah tiggi badan ada yang melebihi 175 cm.

jika ada lakukan penghapusan. sebenarnya ada cara yang lebih sederhana, dengan mengklik menu transform -- recode into same variabels -- lalu pilih data -- setelah itu tandai pada kolom old value angka yang akan menjadi missing (misal 0 ) -- lalu di kolom value di sebelah kanan new value angka yang besar -- oke. ini akan membedakan mana data yang tidak sesuai dengan aturan. untuk melihat berapa responden yang mengajukan suara (misalnya pemeriksaan kehamilan). responden yang memberikan suara ada sebanyak 48765 sedangkan responden yang mengatakan pernah melakukan pemeriksaan kehamilan ada sebanyak 48691. jadi perbedaan inilah yang dapat dilihat dengan mengklik menu analyze -- descriptive statistik -- frequensis -- lalu masukan data yang akan kita lihat perbandingannya.

perbandingan akan terlihat pada menu output. akan terlihat perbedaan responden yang pernah melakukan pemeriksaan dan yang tidak pernah melakukan pemeriksaan kehamilan . jadi inilah yang aku pahami setelah semester pendek mata kuliah komputer pada hari ini. mungkin masih banyak lagi yang dipelajari tapi tak bisa diungkapkan dengan kata kata yang terstruktur :) good luck for today