PENGOLAHAN DATA MENGGUNAKAN SPSS

SPSS adalah sebuah aplikasi yang memiliki kemampuan analisis statistik

akurat dengan lingkungan grafis yang cukup sederhana. Praktikum ADPG kali ini
menggunakan aplikasi SPSS versi 16. Sebelum tampilan utama aplikasi SPSS
muncul, akan muncul kotak dialog SPSS 16 Pilih Open an existing data source
untuk membuka data yang telah disimpan sebelumnyaPilih more file Pilih
data Muncul kotak dialog Open Data Pilih Prov. 75 yang telah di copy
sebelumnya Klik Open.

Gambar 1 Tampilan Awal SPSS Versi 16.0

Data pada file Prov. 75 akan diolah dengan fungsi Compute Variable pada
menu Transform yang digunakan untuk membuat variabel baru atau memodifikasi
nilai-nilai variabel untuk setiap case. Tahapannya sebagai berikut :
Menu Transform Pilih Compute Variable
Muncul kotak dialog, pada Target Variable ketik IMT
Klik Type & Label, muncul kotak dialog
Compute Variable : Type and Label Pada
bagian Label ketik Indeks Massa Tubuh, bagian
Type pilih numeric Continue, maka akan
kembali ke kotak dialog Compute Variabel

Kotak Numeric Expression

pada kotak dialog Compute
Variabel diinput rumus IMT.
Data yag diperlukan dalam
menghitung IMT yaitu BB dengan name B10A1B dan TB dengan name B10A2B
sehingga rumus yang diinput yaitu B10A1B/((B10A2B/100)*(B10A2B/100))
Ok
Data IMT akan muncul pada sebagai variabel baru pada data Prov. 75.

Gambar 2 Tampilan Data IMT Respoden

Tahap selanjutnya adalah pengkategorikan data kontribusi karbohidrat
terhadap energi menggunakan fungsi Record into Different Variables yaitu
merubah skala pengukuran data dari data numerik menjadi kategori . Tahapannya
sebagai berikut :
Menu Transform Pilih Record into Different Variables
Muncul kotak dialog Record into Different Variables, pada kotak Numeric
Variable -> Output variable pilih data karbohidrat. Pada kotak Output Variable,
bagian Name ketik Kontrb_KH sedangkan bagian Label ketik Kontribusi
KH Change

Pilih Old and New Values, muncul

kotak dialog Recode into Different
Variables: Old and News Values.
Pengkategorian KH yaitu :
1= < 65 gram,
sehingga
pada
kotak Old Value,
bagian
Range,
LOWEST
through value :
65. Pada kotak
New
Value,
bagian Value : 1 Add.
2 = 65-70 gram, sehingga pada kotak Old value, bagian Range : 65,
Through : 70. Pada kotak New Value, bagian Value : 2 Add
3 = > 70 gram, sehingga sehingga pada kotak Old Value, bagian
Range, value through HIGHEST : 70. Pada kotak New Value, bagian
Value : 3 Add.
Klik Ok
Jika langkah sebelumnya sudah dilakukan dengan tepat, maka akan
muncul tampilan seperti di bawah ini:

Gambar 3 Tampilan Pengkategorian Data Kontribusi KH

Pengkategian data kontribusi karbohidrat yang telah dilakukan sebelumnya
apabila ingin mengubah katagorinya misalnya 1= <65 gram menjadi 1= >70
gram, atau 3= >70 gram menjadi 3= <65 gram dapat dilakukan dengan
menggunakan fungsi Record into Same Variables pada Menu Transform dengan
tahapan yang sama dengan fungsi Record into Different Variables .
Cleaning data yaitu menghilangkan data yang tidak diperlukan, misalnya
memilih data berdasarkan persentase tingkat kecukupan energi antara 60%
sampai dengan 120% Langkah-langkahnya sebagai berikut :
Menu Data Select Cases
Muncul kotak dialog Select Cases, pada kotak Select pilih If condition is
satisfied dan klik If ... dibawahnya. Muncul kotak dialog Select Cases: If
diinput dengan rumus
persen_energi>=60&persen_energi<=120
Continue
Pada kotak Output, pilih copy selected cases to a new dataset dengan Dataset
name: TKE_baru sehingga semua data persentase tingkat kecukupan energi
antara 60% sampai dengan 120% akan tersimpan terpisah dengan nama file
TKE_baru
Klik Ok
Data persentase energi yang terpilih yaitu antara 60% sampai dengan
120%. Jika langkah sebelumnya sudah dilakukan dengan tepat, maka akan
muncul tampilan seperti di bawah ini:

Gambar 4 Persentase Tingkat Kecukupan Energi antara 60% sampai 120%

Fungsi Aggregate pada menu Data yaitu untuk meringkas data menurut
kriteria tertentu dan disajikan secara garis besar (agregat). Tahapannya yaitu :

Menu Data Aggregate

Muncul kotak dialog Aggregate Data, pada kotak Break Variable(s) pilih idart,
pada kotak Aggregated of Variabel(s) pilih Energi, Protein, Lemak, KH, Serat
yang merupakan variabel yang akan dianalisis subtotalnya.
Pilih kotak Function ... sehingga muncul kotak dialog Aggregate Data:
Aggregate Function pada bagian Summary Statistics pilih Sum Continue
sehingga kembali ke kotak dialog utama Aggregate Data
Pada kotak Save di kotak dialog Aggregate Data, pilih Create a new dataset
containing only the aggregate variables dengan Dataset name: Kons_Agregat
sehingga semua vaiabel yg di agregat akan tersimpan terpisah dengan nama file
Kons_Agregat.
Pada kotak Options for Very large Datasets centang Sort file before
aggregating Ok

Gambar 5 Data Konsumsi Agregat Energi, Protein, Lemak dan

Serat

Fungsi Merge di SPSS dibedakan menjadi 2 yaitu Margin Cases

digunakan menggabungkan file yang punya sususan variabel yang sama,
tapi kasus atau lokasinya berbeda, dan Margin Variabel yang digunakan
menggabung file yang memiliki kasus yang sama dengan identitas sama,
namun variabelnya berbeda. Praktikum kali ini menggabungkan data
kons.75 dengan data kons_agregat, sebelum digabungkan data pada masingmasing file diurutkan terlebih dahulu dengan langkah-langkahnya sebagai
berikut :
Menu Data Sort Cases
Muncul kotak dialog Sort Cases, pada kotak Sort by pilih idart(A), dan
pada kotak Sort Order pilih Ascending Ok
Buka file Kons. 75, pilih Menu Data Merge Files pilih Add
variables, muncul kotak dialog Add Variables to Kons. 75.sav[DataSet2]
pilih An External SPSS data file klik Browse pilih file Kons. Agregate
Open Continue
Muncul kotak dialog Add Variables From, centang Match cases on key
varibles in sorted files dan Both files provide cases. Kotak Excluded
Variables, pilih idart dan pindahkan ke kotak Key Variables Ok

Variable view pada file Kons. 75 yang awalnya berjumlah 33 variabel,

setelah digabungkan dengan data pada file Kons_ Agregat menjadi 38
variabel.

Gambar 6 Margin Variabel Data Kons.75 dan Kons_Agregat

Fungsi Margin Cases dapat digunakan untuk menggabungkan data pada
file Kab. 71 ke data pada file Prov. 75, sebelumnya Type data Kabupaten diubah
dari String menjadi Numeric, setelah itu karena data file Kab. 71 belum ada maka
terlebih dahulu lakukan cleaning data yaitu memilih data Kabupaten (B1R2) 71
pada data Prov. 75,. Tahapannya yaitu :
Buka file Prov. 75 pilih Menu Data Select Cases
Muncul kotak dialog Select Cases, pada kotak Select pilih If condition is
satisfied dan klik If ... dibawahnya. Muncul kotak dialog Select Cases: If
diinput dengan rumus B1R2 = 71
Continue
Pada kotak Output, pilih copy selected cases to a new dataset dengan Dataset
name: Kabupaten_71 sehingga seluruh data kabupaten 71 akan tersimpan
terpisah dengan nama Kabupaten_71.
Klik Ok
Data kabupaten yang terpilih yaitu data Kabupaten 71. Jika langkah
sebelumnya sudah dilakukan dengan tepat, maka akan muncul tampilan seperti di
bawah ini:

Gambar 7 Data Kabupaten 71

Penggabungkan data Prov.75 dengan data Kabupaten_71 dilakukan dengan

fungsi Margin Cases, sebelum digabungkan data pada masing-masing file
diurutkan terlebih dahulu dengan langkah-langkahnya sebagai berikut :
Buka file Prov. 75, pilih Menu Data Merge Files pilih Add Cases muncul
kotak dialog Add Cases to Prov. 75.sav[DataSet1] pilih An External SPSS data
file klik Browse pilih file Kabupaten 71 Open Continue
Muncul kotak dialog Add Variables From, pada kotak Unpaired Variables
digunakan untuk mengetahui variabel apa yang tidak terdapat pada data Prov.
75, jika pada kotak Unpaired Variables kosong berarti variabel pada data Pov.
75 dan kabupaten_71 sama semua Ok
Data view pada file Prov. 75 yang awalnya berjumlah 335 cases, setelah
digabungkan dengan data view pada file Kabupaten_71 menjadi 414 cases.

Gambar 8 Margin Cases Data Prov. 75 dan Kabupaten_71

Analisis deskriftif yaitu gambaran atau deskriftif dari suatu data yang
dilihat dari nilai rata-rata (mean), standar deviasi, maksinum, minimum, sum,
range, kurtosis dan skewness. Analisi deskriftif yang dilakukan yaitu berdasarkan
status kawin pada data Prov. 75, sebelumnya dilakukan split data berdasarkan
kategori kawin terlebih dahulu. Langkah-langkahnya yaitu :
Menu Data Split File
Muncul kota dialog Split File, pilih Organize output by groups.
Pada kotak Group Based on pilih data Status Kawin (B4K5), dan
Sort the file by grouping variables akan aktif Ok
Data status kawin akan terurut berdasarkan kategori status kawin yaitu
1=belum kawin, 2=kawin, 3=cerai hidup, 4=cerai mati, maka akan muncul
tampilan seperti di bawah ini:

Gambar 9 Split Data Berdasarkan Kategori Status Kawin

Analisis Deskriptif dilakukan dengan tahapan sebagai berikut :
Menu Analyze Descriptive Statistics Descriptive
Muncul kotak dialog Descriptive, pada kotak variable(s) pilih data
Energi, Protein, Lemak, KH, dan Serat Pilih kotak Options
Muncul kotak dialog Descriptives: Options, Mean, Std. Deviation, Minimun,
Maximum pada bagian Dispersion, dan variable list pada bagian Display Order
akan tercentang Continue Ok

Hasil analisis deskriptif yang terdiri dari Mean, Std. Deviation, Minimun,
Maximum berdasarkan status kawin pada data Prov. 75 akan terlihat pada Output
yang terdapat pada lampiran.

LAMPIRAN
Status Kawin = Belum
Descriptive Statisticsa
N

Minimum

Maximum

Mean

Std. Deviation

ENERGI

14

340.00

2113.00

9.7671E2

515.51862

PROTEIN

14

10.43

63.44

37.1464

17.31245

LEMAK

14

3.60

101.40

30.4564

25.39161

KARBOHIDRAT

14

54.40

376.80

1.3819E2

82.85473

SERAT

14

.90

18.00

4.2550

4.55040

Valid N (listwise)

14

a. Status Kawin = Belum kawin

Status Kawin = Kawin

Descriptive Statisticsa
N

Minimum

Maximum

Mean

Std. Deviation

ENERGI

316

270.00

2672.00

1.2468E3

481.10144

PROTEIN

316

6.44

136.69

44.4459

20.69129

LEMAK

316

1.44

131.89

38.4433

27.04669

KARBOHIDRAT

316

54.40

467.51

1.8105E2

71.74957

SERAT

316

.60

23.90

6.7112

4.63622

Valid N (listwise)

316

a. Status Kawin = Kawin

Status Kawin = Cerai Hidup

Descriptive Statisticsa
N

Minimum

Maximum

Mean

Std. Deviation

ENERGI

909.00

1622.00

1.2655E3

504.16713

PROTEIN

18.48

32.00

25.2400

9.56008

LEMAK

1.50

40.08

20.7875

27.27664

KARBOHIDRAT

199.14

291.75

2.4544E2

65.48516

SERAT

3.75

14.10

8.9250

7.31856

Valid N (listwise)

a. Status Kawin = Cerai hidup

Status Kawin = Cerai Mati

Descriptive Statisticsa
N

Minimum

Maximum

Mean

Std. Deviation

ENERGI

566.00

984.00

8.3733E2

235.23889

PROTEIN

20.28

32.40

25.0350

6.46699

LEMAK

7.70

42.60

29.1033

18.74537

KARBOHIDRAT

39.12

197.56

1.1803E2

79.21937

SERAT

2.84

8.40

5.0983

2.92212

Valid N (listwise)

Descriptive Statisticsa
N

Minimum

Maximum

Mean

Std. Deviation

ENERGI

566.00

984.00

8.3733E2

235.23889

PROTEIN

20.28

32.40

25.0350

6.46699

LEMAK

7.70

42.60

29.1033

18.74537

KARBOHIDRAT

39.12

197.56

1.1803E2

79.21937

SERAT

2.84

8.40

5.0983

2.92212

a. Status Kawin = Cerai mati