Manaj Data

7/25/2019 Manaj Data

1/31

MITRA, SKM, MKM


2/31

Mengatur data sedemikianrupa sehingga data dapat

diolah sesuai dengan analisisyang diinginkan


3/31

Mengkode data (data coding) Membuat kode Umumnya sudah dipersiapkan sewaktu

membuat proposal penelitian

Menyunting data (data editing)Membuat struktur data (data structure)dan

fle data (data fle)

Memasukkan data (data entry)Membersihkan data (data cleaning)


4/31

Data codingsudah harus mulai dipikirkandan dikembangkan pada saatmengembangkan instrumen penelitian

(kuesioner). Contoh,Jenis Kelamin Jenis kelamin adalah pembagian manusia

menurut jenis kelamin pria dan wanita.Cara mengukurnya dengan observasi.Hasil ukur dibagi dalam dua kelompok,yaitu bila wanita! diberi kode nol dan bilapria! diberi kode satu. "kala ukur yangdigunakan pada variabel ini adalah skalanominal.


5/31

Jawaban kosong perlu diidenti#kasi dandiberi kode lebih lanjut$ %tidak tahu&,%tidak ada jawaban&, atau %jawaban tidakrelevan&.


6/31

Cara pengkodean yang telah dibuat harusdi'atat. ila 'ara pengkodean tidak rumit,tidak perlu dibuat uku ode khusus.

Man*aat uku ode +edoman dalam proses coding, entry dan

cleaning +edoman dalam melakukan analisis data

+edoman bagi peneliti lain yang akanmenggunakan data


7/31

+enyuntingan data dilakukan sebelum prosespemasukan data.

+enyuntingan data sebaiknya dilakukan dilapangan, agar data yang salahmeragukanmasih dapat ditelusuri kembali kepadarespondenin*orman yang bersangkutan.


8/31

+-/-0M 1+2 3040

"truktur data dikembangkan sesuaiU2"251-


9/31

1pi data menyediakan *asilitas untukmembuat program guna mengurangikesalahan pada saat data entry, yaituCHECK. Hasilnya adalah #le denganekstensi .CHK.


10/31

6alaupun rambu7rambu sudah kita pasangpada saat data entry, kesalahan masihmungkin terjadi.

+embersihan data tetap perlu dilakukan."alah satu 'ara yang sering dilakukanadalah dengan melihat distribusi *rekuensidari variabel7variabel dan menilai ke7logis-

annya.Untuk data kontinyu (interval, rasio) dapat

dilihat sebarannya untuk melihat adatidaknya pen'ilan (outliers).


11/31

REC ID UMUR SEX PKERJAN BB8 998 :; 8 8


12/31

ila ternyata terdapat kesalahan dalammemasukkan data, lakukan pembetulan.

ila ternyata tidak terdapat kesalahan

memasukkan data, tentukan tindakan yangakan dilakukan terhadap data yang anehtersebut$ dibuangB dibuang sementaraB dipakai hanya pada sebagian analisisB dipakai sepenuhnya pada saat analisisB


13/31

Analisis DATA= memberi makna data, memberi arti data

Hasil analisis Kesimpulan = INFORMASI

Informasi sudah memun!ai ar"i#ma$na

Beda informasi dn% da"a&' Da"a (elummemun!ai ar"i#ma$na) sedan%$aninformasi sudah memun!ai ma$na


14/31

Dukunganstatistician

MENGETAHUIPROG KOMPUTER

STATISTIK

MENGETAHUI

STATISTIK

Tim PakarSubstantif

Kemampuansubstantif

UNSUR

DALAM

PENELITI HASI DATAANAISIS

UNSURPENDUKUNG

KIAT SUKSES ANALISIS DATA


15/31

JENIS ENE!ITIAN

Kuantitati" ### Kualitati"

JENIS SAME! $AN% DI&ANDIN%KAN

Independen ### Dependen'&erpasan(an

JENIS )ARIA&E!

Kata(*rik ### Numerik

JENIS KENORMA!AN DATA

Distribusi N*rmal #### Dist+ Tidak N*rmal


16/31

ANA!ISIS DATA


17/31

ANALISIS BIVARIAT:1. Seleksi bivariat untuk masuk

pemoelan multivariat!. "#i $ipotesis ! var

ANALISIS M"LTIVARIAT:

1. Mengetahui pengaruh murni/efekbersih masing-masing ariabe!". Mengetahui #akt$r %ang pa!ing&$minan


18/31

deskripsi setiap ariabel -(

diteliti

METODE .

Men-a/ikan 0kuran Ten(a1Men-a/ikan 0kuran )ariasi


19/31

'b(1) 'b(11 'b(1"

'b(1* 'b(1+

Mean ka&ar 'b,

1)111"1*1+

-------------------------- ( 1" mg/&!

0

Mean, Median , M*dus

Median =12 mg/dl

Modus : tidak ada

Kelemahan nilai mean : terpengaruh data ekstrim

Keuntungan nilai median : tidak terpengaruh adanya data ekstrim


20/31

'b(1) 'b(11 'b(1"

'b(1* 'b(1+

'b(1"'b(1" 'b(1"

'b(1" 'b(1"

ata-rata 'b ( 1" mg/&!ata-rata 'b ( 1" mg/&!

Lebak 2ian3urStandar Deviasi


21/31

( 4umi! tanpa K+

( 4umi! &engan K+

%roporsibumi!

&engan K+,

5/1) ( )65 ( 5)7

: Proporsi /persentase

Ukuran ariasi , Katag$rik ,4entukn%a sama &ng ukuran tengah , 8r$p$rsi/persentase


22/31

erkiraan k*ndisi'karakteristik p*pulasi melaluidata sampel 2data 1asil surei3

4*nt*1 . 1asil surei sampel 567 ba-i di Kab Siakdidapatkan rata#rata berat badan ba-i 8577 (ram

0ntuk seluru1 Kab Siak berapa rata#rata n-a 9 #:estimasi

Misal 1asil Estimasi Interal didapatkan 1asil . ;6 < 4I28777 8>773

&erarti %ambaran k*ndisi ba-i di Kab Siak, sbb.

;6 < diper?a-a ba1@a rata#rata beratbadan ba-i di Kab Siak adala1berada diantara 8777 ( s'd 8>77 (


23/31

EN$AJIAN DATA


24/31

7 4abel atau /ra#k

7 4idak boleh double penyajian

7 urang tepat penyajian output komputer

7 eberapa angka yg penting dari outputkomputer tabelgra#k


25/31

4abel

8en&i&ikan 9um!ah 8ersentase

SD

SM8

SMU

8T

+)

*)

")

1)

+)6)

*)6)

")6)

1)6)

9um!ah 1)) 1))


26/31

Distribusi Pendidikan PendudukDistribusi Pendidikan Penduduk

Jakarta UtaraJakarta Utara

0)6+70)6+7

1+71+7"57"57

:657:657


27/31

8ernah periksa 8eriksa ; + ka!i 8eriksa ; + ka!i

sesuai 0 T

8eriksa ; + ka!i

sesuai 0 T

pi! #e ; :)


28/31

8en%ebab kematian

9um!ahkasus

1+)

1")

1))


29/31

Sigma !ee!, *

9um

!ah

kasus

0)

+)

*)

")

1)

)

Kasus D4D

4atas atas ( **.:

ata-rata ( ").+

4atas ba>ah ( 5.:


30/31


31/31

Tabel 2. Distribusi Pendidikan Responden Survei Cepat Kesehatan Ibu, Kabupaten Tangerang, 199

Pendidikan ! "re# Per$ent Cu%.&&&&&&&&&&&&&&&&'&&&&&&&&&&&&&&&&&&&&&&&Tidak sekolah ! (2 1(.1) 1(.1)Tidak ta%at SD ! 9* +2.9) (.-)

Ta%at SD ! * 29.2) .2)Ta%at STP ! + 12.() **.)Ta%at ST/ ! ++ 11.1) 99.)/kade%i0PT ! 1 -.+) 1--.-)&&&&&&&&&&&&&&&&'&&&&&&&&&&&&&&&&&&&&&&&Total ! 29* 1--.-)

Tabel +. Distribusi Pekeraan Responden Survei Cepat Kesehatan Ibu, Kabupaten Tangerang, 199

Pekeraan ! "re# Per$ent Cu%.&&&&&&&&&&&&&&&&'&&&&&&&&&&&&&&&&&&&&&&&ekera ! 2( 91.9) 91.9)Tidak bekera ! 23 -.() 1--.-)&&&&&&&&&&&&&&&&'&&&&&&&&&&&&&&&&&&&&&&&Total ! 29* 1--.-)

9angan !angsung

menggunakan

hasi! ke!uarank$mputer

untuk tabe!

pa&a !ap$ran

Manaj Data

Documents