Add your company slogan

Manajemen dan
Analisa Data 1 MENGAPA MANAJEMEN DATA
PENTING?
PENGANTAR MANAJEMEN DATA

LOGO
1 2

PROSES RISET ERROR/Kesalahan dalam Penelitian

1. Sampling error : kesalahan yang terjadi akibat

pengambilan sampel (sebaik apapun sampel,
tetap akan punya error).

2. Non-sampling error : kesalahan yang terjadi

bukan karena pengambilan sampel, tapi oleh
faktor manusianya, yaitu pada tahap:
Perencanaan
Pelaksanaan pengumpulan data (pengukuran)
Manajemen data
Analisa & interpretasi

3 4

Manajemen Data Contoh Permasalahan

Manajemen data merupakan upaya pengelolaan 1. Pengolahan data memakan waktu banyak/tidak efisien
data mulai dari data tersebut dikumpulkan 2. Banyak data tidak lengkap/kosong
hingga siap dianalisis 3. Terdapat data yang meragukan/tidak masuk akal
Tujuan: mencegah garbage in garbage out Contoh Responden termuda yang melakukan induksi haid 5 tahun

Pengolahan &
4. Terdapat jawaban diluar kategori jawaban
Data Informasi Jenis kelamin: (1) Perempuan (2) Laki-Laki
analisa data
Tetapi dalam data muncul jawaban 3.

Pengelolaan 5. Terdapat jawaban yang tumpang tindih

Data Contoh:
Kategori umur: 1-5 th, 5-10 th, 10-15 th, dst.

5 6
 Langkah-langkah Data Coding (1)
Data coding: kegiatan pemberian kode atau
Mengkode data (data coding) simbol agar mempermudah dalam pengolahan
Membuat kode data.
1 = Laki-laki 2 = Perempuan
Membuat buku kode
1 = < SD 2 = SLTP 3= SMA 4 = D3/PT
Menyunting data (data editing) Kode untuk masing-masing kelas harus
Membuat struktur data (data structure) mutually exclusive
dan file data (data file) Data coding sudah harus dikembangkan pada
Memasukkan data (data entry) saat mengembangkan instrumen penelitian
(kuesioner).
Membersihkan data (data cleaning)
7 8

Data Coding (2) Data Coding (3)

Data yang dikumpulkan dengan pertanyaan tertutup
sudah harus ditetapkan pengkodeannya saat
instrumen dibuat.
Pengkodean lebih lanjut dilakukan setelah
Perlu dipertimbangkan untuk menyediakan satu kode
semua data dikumpulkan.
untuk menampung informasi di luar kelas-kelas yang Jawaban kosong perlu diidentifikasi dan
telah disediakan.
diberi kode lebih lanjut: tidak tahu atau
Pengkodean untuk data yang dikumpulkan dengan tidak jawab.
pertanyaan terbuka dapat dilakukan setelah data
terkumpul. Pemberian kode dapat dilakukan pada
Tetapi sebagian data dapat diberi kode sebelum Sisi halaman instrumen lihat contoh
pengumpulan data. didapat dari uji coba kuesioner kuesioner

9 10

Data Coding (4) Data Coding (5)

Cara pengkodean yang telah dibuat harus
dicatat dalam buku kode. Buku kode sebaiknya memuat hal berikut:
Bila cara pengkodean tidak rumit, tidak perlu 1. nama variabel yang dikumpulkan,
dibuat Buku Kode khusus. 2. nomor pertanyaan pada kuesioner yang
Manfaat Buku Kode berkaitan dengan variabel tersebut,
3. bentuk data,
Pedoman dalam proses coding, entry dan
cleaning 4. kode kategori variabel dan penjelasannya,
Pedoman dalam melakukan analisis data 5. skala variabel.
Pedoman bagi peneliti lain yang akan
menggunakan data
11 12
 Data Coding (6) Data Editing (1)
Editing: kegiatan memeriksa kelengkapan
Contoh Buku Kode pengisian dan ketepatan data sebelum proses
No. Variabel Pertanyaan Kolom Kode Keterangan pemasukan data.
nomor ke Memeriksa kelengkapan jawaban pertanyaan pada kuesioner
secara keseluruhan
1 ID - 1 - nomor Memeriksa kejelasan tulisan jawaban
identifikasi
Memeriksa kelogisan jawaban (logical check).
2 Umur 2 2 - dalam tahun
Memeriksa lompatan (skip check) dan kisaran jawaban (range
3 Kelamin 3 3 1 Pria
check)
2 Wanita
4 Pekerjaan 4 4 1 PNS/ABRI
Penyuntingan sebaiknya dilakukan di lapangan, agar
2 Swasta
data yang meragukan masih dapat ditelusuri kembali
3 Buruh
4 Tak bekerja
kepada responden/informan

13 14

Data Editing (2) Data Structure dan Data File (1)

Penyuntingan dilakukan oleh peneliti atau
anggota tim peneliti sendiri, atau oleh
penyelia lapangan. Maka perlu pelatihan
penyelia lapangan lebih dahulu.
Sebaiknya saat menyunting data sekaligus
dilakukan pula pemberian kode.
Pada saat penyuntingan dan pengkodean ini
dapat diidentifikasi jawaban responden yang
ternyata belum diberi kode.
Struktur data dikembangkan sesuai dengan
analisis dan jenis perangkat lunak yang
dipergunakan.
Pada saat mengembangkan struktur data,
masing-masing variabel perlu ditetapkan:
nama
skala: numeric (angka), string (huruf, campuran)
jumlah digit, termasuk jumlah desimal (khusus
data numeric)

15 16

Data Structure dan Data File (2) Data Structure dan Data File (3)

Epi Info/Epi Data menyediakan fasilitas
EPED untuk membuat struktur data:
nama variabel ditulis di antara tanda kurung
kurawal { }
skala variabel: ###.## = numeric, _____ =
string
jumlah digit ditetapkan dengan jumlah tanda #
atau _
Apabila nama variabel tidak ditetapkan, Epi
Info/Epi data secara otomatis akan membuatnya
dengan menggunakan 10 huruf pertama dari
pertanyaan yang kita tulis dengan EPED.
Jangan lupa membuat nomor identifikasi (ID)
untuk setiap responden. Nama responden bisa
sama!
ID seharusnya sudah harus terisi pada lembar
instrumen (kuesioner).

17 18
 Data Structure dan Data File (4) Data Structure dan Data File (5)

Setelah file .QES siap, harus diubah

menjadi data file dengan menggunakan REC ID UMUR KELAMIN PEKERJAAN SUKU
1 001 36 1 1 JAWA
fasilitas ENTER. Hasil proses ini adalah 2 002 51 1 3 SUNDA
data file dengan ekstensi .REC. 3 003 25 2 4 JAWA
4 004 31 2 2 MINANG

File .REC ini dipergunakan untuk 5

6
005
006
29
57
2
1
2
1
DAYAK
MADURA
menerima masukan data. Dengan Epi Info 7 007 33 2 4 SUNDA
pemasukan data dilakukan dengan 8 008 44 1 2 IRIAN
9
memakai fasilitas ENTER. 10

19 20

Data Entry(1) Data Entry(2)

Untuk menghindari kesalahan dalam Hal-hal yang dapat dikontrol dengan .CHK
pemasukan data, dapat dilakukan: antara lain:
Possible-entry programming keharusan mengisi suatu variabel
Double-entry nilai minimal
nilai maksimal
Epi Info menyediakan fasilitas untuk membuat
program guna mengurangi kesalahan pada saat alur lompatan
data entry, yaitu CHECK. Hasilnya adalah file
dengan ekstensi .CHK.

21 22

Langkah-langkah Pembuatan
Struktur hingga Entry Data Data Cleaning (1)
Program Epi Info/Epi Data
Walaupun rambu-rambu sudah kita pasang pada
Pembuatan Struktur Kuesioner saat data entry, kesalahan masih mungkin terjadi.
(QES file, dengan EPED)
Pembersihan data tetap perlu dilakukan. Salah satu
cara adalah dengan melihat distribusi frekuensi
Pembuatan File Data
(REC file, dengan ENTER)
dari variabel-variabel dan menilai ke-logis-annya.
Untuk data kontinyu (interval, rasio) dapat dilihat
sebarannya untuk melihat ada tidaknya pencilan
Pembuatan File Validasi
(CHK file, dengan CHECK) (outliers).
Setiap ditemukan keanehan pada data (tidak logis,
Pemasukkan Data
outlier) perlu dilakukan pengecekan ulang ke
kuesionernya.
23 24
 Data Cleaning (2) METODE CLEANING

Bila ternyata terdapat kesalahan dalam Mendeteksi missing data

memasukkan data, lakukan pembetulan. Pada Epi (list distribusi frekuensi)
Info pembetulan dilakukan dengan fungsi UPDATE
pada fasilitas ANALYSIS.
Jenis Kelamin Jumlah Pendidikan Jumlah
Bila ternyata tidak terdapat kesalahan memasukkan
Pria 40 SD 40
data, tentukan tindakan yang akan dilakukan
Wanita 60 SMP 10
terhadap data yang aneh tersebut:
Total 100 SMU 30
dibuang? PT 15
dibuang sementara? Total 95

dipakai hanya pada sebagian analisis?

dipakai sepenuhnya pada saat analisis?

25 26

METODE CLEANING METODE CLEANING

Mendeteksi variasi data Mendeteksi konsistensi data

(list distribusi frekuensi tiap variabel) (menghubungkan 2 var)

Pendidikan Jumlah
KB Jumlah Kontrasepsi Jumlah
1 40
Ya 20 Suntik 5
2 30
Tidak 80 Pil 5
3 20
Total 100 Kondom 4
4 6
IUD 10
7 4
Total 24
Total 100

27 28

METODE CLEANING EPI-DATA ver 3.1

Mendeteksi konsistensi data

(membuat tabel silang)
Umur Jumlah Anak
0 1 2 3 4 5 6 7 8 9 10 View Data Export
Membuat Struktur Data
yg sudah data.REC
15 1 2 2
Berisi Variabel & Ruang dientry ke
16 1 2 Entry (Template) data.DBF
19 2 4 2 Memasukkan data ke
Tersimpan di file.QES
20 3 komputer
24 Tersimpan di file.REC
Membuat file.REC dari
25
file QES yg sudah ada
35 Membuat batasan min
max & alur lompatan
40
Tersimpan di file.CHK
29 30
1. Define Data 2. MakeData File

31 32

3. CHEKC 4. Enter Data

33 34

5.Documen View Data 6. Export Data (Dari REC ke DBF)

35 36
Prinsip Analisa Data Interpretasi; Inferensi

Analisa Data : terbatas; hubungan penelitian

Proses penyederhanaan data ke dlm bentuk Membandingkan(teori/penelitian lain)
yg lebih mudah dibaca/diinterpretasikan;
seringkali digunakan STATISTIK

37 38

Analisa Data

Kategorik tabulasi silang

Kontinu
distr frek, central tendency, variabilitas,
korelasi

39