Analisis data deskriptif
0 likes651 views
Dokumen ini menjelaskan tahapan pengolahan data untuk analisis penelitian yang mencakup editing, coding, processing, dan cleaning. Selain itu, dijelaskan cara menggunakan SPSS untuk memasukkan, menganalisis, dan menyajikan data baik numerik maupun kategorik, serta konsep analisis data seperti ukuran tengah dan variasi. Kesimpulan mencakup penggunaan statistik yang tepat sesuai dengan distribusi data.
Analisis data deskriptif
- 1. Analisis Data Adaptasi dari buku ANALISIS DATA Sutanto Priyo H. Oleh: Asyifa Robiatul A. & Susiana
- 2. PENGANTAR PENGOLAHAN DATA Agar analisis penelitian menghasilkan informasi yang benar, paling tidak ada empat tahapan dalam pengolahan data yang harus dilalui • kegiatan untuk melakukan pengecekan isian kuesioner apakah jawaban yang ada sudah: lengkap, jelas, relevan, konsisten1. Editing • Coding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/bilangan. Misalnya untuk variabel pendidikan dilakukan koding 1 = SD, 2 = SMP, 3 = SMU dan 4 = PT 2. Coding • Pemrosesan data dilakukan dengan cara meng-entry data dari kuesioner ke paket program komputer. Salah satu paket program untuk entry data adalah paket SPSS. 3. Processing • Pengecekan kembali data yang sudah di-entry. Kesalahan terjadi pada saat kita meng-entry ke komputer Misalnya untuk variabel pendidikan ada data yang bernilai 7, mestinya berdasarkan coding yang ada pendidikan kodenya hanya antara 1 s.d. 4 (1=SD, 2=SMP, 3=SMU dan 4=PT). 4. Cleaning
- 3. ENTRY DATA Di dalam operasionalnya, SPSS mengenal 2 jenis jendela (Window) yang utama yaitu: SPSS Data Editor • Jendela ini berisis tampilan data yang kita olah dan analisis dengan tampilan sejenis Spreadsheet (seperti tampilan Program Excel). SPSS Output • Hasil olahan (hasil analisis) yang anda lakukan akan ditampilkan pada Output window. Window ini merupakan teks editor, artinya dapat mengedit hasil analisis yang ditampilkan.
- 4. STRUKTUR DATA di SPSS Agar dapat diolah dengan SPSS, data harus mempunyai struktur, format dan jenis tertentu. Dalam SPSS (dan yang umum terjadi pada program lain), data yang diolah tersusun berdasarkan kolom dan baris. Tiap kolom melambangkan satu variabel (dalam data base dikenal Field), misalnya tiap pertanyaan pada kuesioner menunjukkan satu variabel. Tiap baris data dinamakan case (kasus/responden) sebagaimana istilah record di Data Base.
- 5. TAMPILAN UTAMA SPSS a. Tampilan data b. Tampilan variabel
- 6. b. Tampilan variabel (1) File: digunakan untuk membuat file data baru, membuka file data yang telah tersimpan (ekstensi SAV), atau membaca file data dari program lain, seperti dbase, excell dll. Edit: digunakan untuk memodifikasi, mengcopy, menghapus, mencari, dan mengganti data. View: digunakan untuk mengatur tampilan font, tampilan kode/label Data: digunakan untuk membuat/mendefinisikan nama variabel, mengambil/menganalisis sebagian data, menggabungkan data. Transform: digunakan untuk transformasi/modifikasi data seperti pengelompokan variabel, pembuatan variabel baru dari perkalian/penjumlahan variabel yang ada dll. Analyze: digunakan untuk memilih berbagai prosedur statistik, dari statistik sederhana (deskriptif) sampai dengan analisis statistik komplek (multivariat).
- 7. b. Tampilan variabel (2) Graphs: digunakan untuk membuat grafik meliputi grafik Bar, Pie, garis, Histogram, scatter plot dsb. Utilities: digunakan untuk menampilkan berbagai informasi tentang isi file. Window: digunakan untuk berpindah-pindah antar jendela, misalnya dari jendela data ke jendela output. Help: memuat informasi bantuan bagaimana menggunakan berbagai fasilitas pada SPSS.
- 8. MEMASUKAN DATA Entry data dapat langsung dilakukan pada data editor. Data editor memiliki bentuk tampilan sejenis spreadsheet (seperti Excel) yang digunakan sebagai fasilitas untuk memasukkan/engisikan data. Ada tiga hal yang harus diperhatikan: Baris • menunjukkan kasus/responden Kolom • menunjukkan variabel Sel • merupakan perpotongan antara kolom dan baris menunjukkan nilai/data Memberi nama variabel Mendefinisi kan tipe variabel Mendefinisi kan adanya desimal Memberi label variabel Memberi value label Dalam memasukan data ke SPSS, ada 4 hal yang harus dieperhatikan:
- 9. a. Memberi Nama Variabel Pertama kali yang harus dilakukan pada saat entry data adalah memberi nama variabel. Satu variabel mewakili/melambangkan satu pertanyaan. Agar tidak menemui kesulitan dalam membuat nama variabel, berikut akan diuraikan ketentuan / persyaratan nama variabel: Nama variabel maksimum berisi 8 huruf/karakter, untuk SPSS versi 13 jumlah karakter dapat lebih dari 8 huruf Nama variabel tidak boleh ada spasi Nama variabel tidak ada yang sama ( tidak boleh ada 2 atau lebih variabel yang memiliki nama sama)
- 10. b. Mendefinisikan Tipe Variabel Tipe data harus ditentukan kalau kita akan memasukan data di SPSS, adapun jenis tipenya antara lain: • 1. Numerik untuk data berbentuk angka/nomer • 2. String untuk data berbentuk huruf • 3. Date untuk data berbentuk date/tanggal • 4. dll…. Tipe Data Note: yang sering digunakan adalah tipe Numerik, karena data yang akan kita olah biasanya berbentuk angka.
- 11. c. Mendefinisikan Adanya Desimal Kebanyakan data penelitian berbentuk tidak ada desimal, oleh karena itu untuk data yang tidak ada desimal kita harus seting di SPSS isian jumlah desimal diberi angka 0 atau dikosongkan. Bila data yang akan dimasukkan berbentuk dsimal, seperti kadar HB, maka perlu ditentukan berapa desimal yang kita inginkan. SPSS secara default/standar memberikan dua angka desimal untuk setiap data yang akan di entry.
- 12. d. Memberi Label Variabel Nama variabel biasanya tertulis dengan kata/huruf yang singkat, pada bagian ini kita dapat menuliskan keterangan nama variabel sehingga dapat memperjelas arti dari masing-masing variabel. Misalnya nama variabel BWT diberi label “Berat badan bayi pada saat lahir dalam satuan gram” dan bisa juga deskripsi jelas.
- 13. e. Memberi Value Label Untuk variabel yang berbentuk koding kita harus memberi keterangan untuk setiap kode yang ada dalam kode tsb, misalnya untuk variabel Sex, 0 = pria dan 1 = wanita.
- 15. Analisis Data Adaptasi dari buku ANALISIS DATA Sutanto Priyo H.
- 16. analisis merupakan kegiatan meringkas kumpulan data menjadi ukuran tengah dan ukuran variasi. Selanjutnya membandingkan gambaran-gambaran tersebut antara satu kelompok subyek & kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis. 1. Peringkasan Data Untuk Data Jenis Numerik
- 17. a. Ukuran Tengah Ukuran tengah merupakan cerminan dari konsentrasi nilai-nilai hasil pengukuran. Berbagai ukuran dikembangkan untuk mencerminkan ukuran tengah tersebut, dan yang paling sering dipakai adalah mean, median dan mode/modus. Mean Median modus Bila nilai mean > median > mode, maka bentuk distribusi datanya menceng/miring ke kanan Bila nilai mean < median < mode, maka bentuk distribusi datanya menceng /miring ke kiri
- 18. b. Nilai-nilai/Ukuran Variasi Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain atau dengan kata lain hasil pengamatan akan bervariasi. Untuk menegtahui seberapa jauh data bervariasi digunakan ukuran variasi antara lain range, jarak linier kuartil dan standard deviasi. Standar Deviasi Range Jarak Inter Quartil suatu ukuran variasi yang mempunyai satuan yang sama dengan satuan pengamatan Seperti halnya varian, semakin besar SD semakin besar variasinya. Apabila tidak ada variasi, maka SD=0 KESIMPULAN: untuk data numerik digunakan nilai mean (rata- rata), median, standard deviasi dan inter quartil range, minimal dan maksimal. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim (distribusi normal), maka perhitungan nilai mean dan standard deviasi merupakan cara analisis univariat yang tepat. Bila dijumpai nilai ekstrim (distribusi data tidak normal), maka nilai median dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean
- 19. DISTRIBUSI DATA NORMAL Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim (distribusi normal), maka perhitungan nilai mean dan standar deviasi (SD) merupakan cara analisis univariat yang tepat. X (kg) |x - | (x - )2 48 9 81 52 5 25 56 1 1 62 5 25 67 10 100 285 x x Mean = 48+52+56+62+ 67 = 57 kg 5 Varians = V = s2 V = 81+25+1+25+100 = 58 kg 4 Standar deviasi adalah akar dari varian. Nilai standar deviasi disebut juga dengan “SIMPANGAN BAKU” karena merupakan patokan luas area di bawah kurva normal Rumus: s = √ V = √ s2 S = √58 = √7,6 kg
- 21. Kurva mana yang mempunyai standar deviasi lebih tinggi? A B Fungsi STANDAR DEVIASI •Untuk mengetahui besar perbedaan dari nilai sampel terhadap rata-rata. •Untuk menyatakan keragaman sampel. •Untuk membantu mendapatkan data dari suatu populasi. •Mengukur tingkat kepercayaan pada kesimpulan statistik.
- 23. Uji Kenormalan Data Untuk mengetahui suatu data berdistribusi normal, ada 3 cara untuk mengetahuinya yaitu: Dilihat dari grafik histogram dan kurve normal bila bentuknya menyerupai bel shape, berarti distribusi normal Menggunakan nilai Skewness dan standar errornya bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2, maka distribusinya normal Uji kolmogorov smirnov bila hasil uji signifkan (p value < 0,05) maka distribusi normal. Lihat halaman 84 buku ANALISIS DATA
- 24. DISTRIBUSI DATA TIDAK NORMAL Bila dijumpai nilai ekstrim (distribusi data tidak normal), maka nilai median dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean
- 25. Menentukan cut-off Cut-off menggunakan MEAN utk DISTRIBUSI NORMAL Cut-off menggunakan MEDIAN utk DISTRIBUSI TIDAK NORMAL
- 26. Contoh Penyajian data Numerik Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 2019 Variabel Mean Median SD Min-Max 95% CI Umur 25,10 31,1 10,1 17 – 60 23,72 – 26,48 Cara Interpretasi: Hasil analisis didapatkan rata-rata umur pasien adalah 25,10 tahun (95% CI: 23,72 – 26,48), dengan standar deviasi 10,1 tahun. Umur termuda 17 tahun dan umur tertua 60 tahun. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur pasien adalah diantara 23,72 sampai dengan 26,48 tahun.
- 27. 2. Peringkasan Data Untuk Data Kategorik Pada data katagorik peringkasan data hanya menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi. Bila data berjenis katagorik, tentunya informasi/ peringkasan yang penting disampaikan tidak mungkin/tidak lazim menggunakan ukuran mean atau median. melainkan informasi jumlah dan persentase yang disajikan.
- 28. Contoh Penyajian data Kategorik Distribusi Responden menurut Tingkat Pendidikan Pasien Rumah sakit X Tahun 2019 Pendidikan Jumlah Persentase (%) SD 10 20,0 SMP 11 22,0 SMA 16 32,0 PT 13 26,0 Total 50 100,0 Cara Interpretasi: Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. Paling banyak responden berpendidikan SMU yaitu 16 orang (32,0%) sedangkan untuk pendidikan SD, SMP dan PT masing-masing 20,0%, 22,0%, dan 26,0%.
- 29. Terima Kasih