PENGKODEAN

Pengkodean dan Kaitannya dengan Perangkat Lunak

Pengkodean dalam pengolahan data secara terbatas dapat diartikan sebagai

penyederhanaan data agar pengolahan data lebih efisien. Nama-nama makanan seperti abon,
beras dan beras giling masak secara berurutan dapat diberi kode 1, 2 dan 3. Dengan pengkodean
tersebut maka dalam file komputer nama-nama makanan tersebut hanya ditulis kodenya saja
sehingga data entri menjadi efisien karena space dan waktu yang digunakan jauh lebih sedikit.
Disamping efisien, kekeliruan saat data entri juga dapat diminimalkan karena karakter yang
dientri jauh lebih sedikit.

Pengkodean yang akan dibahas pada tulisan ini sedikit diperluas. Pengkodean yang
dimaksud meliputi pemberian nama file, nama sheet , nama variable dan kode dari nilai variable.
Perangkat lunak komputer yang akan digunakan dalam pengolahan data meliputi MS Ecxel,
SPSS dan SAS sehingga pengkodean akat terkait langsung dengan ketiga perangkat lunak
tersebut. Nama sheet muncul dalam pengkodean karena terkait dengan perangkat lunak Excel.

Pengkodean pada tulisan ini hanya akan difokuskan pada instrumen data berupa
kuesioner dan daftar isian. Kuesioner merupakan instrument pengumpulan data yang banyak
sekali digunakan dalam penelitian yang dilakukan melalui survey, sedangkan daftar isian adalah
instrumen pengumpulan data untuk penelitian yang dilakukan melalui percobaan atau
penggunaan data sekunder.

Pengkodean Pada Kuesioner dan Data Entri

Kuesioner pada umumnya terdiri atas halaman muka dan halaman-halaman berikutnya
yang berisi pertanyaan-pertanyaan terkait penelitian. Halaman muka umumnya digunakan untuk
mencatat identitas responden, identitas enumerator atau pewawancara termasuk waktu
wawancara. Halaman-halaman setelah halaman muka akan berisi kelompok-kelompok
pertanyaan sesuai tujuan penelitian. Ambil contoh misalnya kuesioner penelitian bidang pangan
dan gizi untuk rumah tangga yang tergolong lengkap berisi berbagai kelompok data. Halaman
muka digunakan untuk identitas ibu rumah tangga sebagi responden, identitas enumerator dan
waktu wawancara. Halaman-halaman berikutnya berisi biodata anggota rumah tangga, data
ekonomi rumah tangga, pengetahuan, sikap dan praktek gizi ibu rumah tangga, tabu makanan,
kepemilikan lahan, kondisi rumah tinggal, konsumsi pangan dan lain-lain.

Pada halaman muka kuesioner tercantum judul penelitian diikuti identitas responden,
identitas enumerator dan waktu wawancara seperti tersaji berikut. Karena perangkat lunak yang
akan dugunakan untuk data entri adalah MS Excel maka perlu adanya pencatuman nama sheet
pada halaman muka tersebut disamping nama file. Nama file akan digunakan untuk menyimpan
semua sheet yang namanya tercantum pada kuesioner sehingga nama file cukup muncul sekali
pada halaman muka kuesioner. Nama sheet diberikan untuk untuk kelompok pertanyaan yang
terdapat pada kuesioner. Untuk contoh halaman muka kuesioner yang tersaji cukup satu sheet.
Banyak sheet untuk satu halaman kuesioner dapat lebih dari satu sheet, namun satu sheet dapat
mencakup lebih dari satu halaman kuesioner. Penentuan sheet untuk sekelompok pertanyaan
perlu memperhatikan dengan cermat kemudahan data entri dan dapat meminimalkan kesalahan
data entri. Nama sheet juga sebaiknya mencerminkan nama kelompok pertanyaan atau
mencerminkan cirri khusus agar mudah dikenali. Pada contoh kuesioner halaman muka tertulis
nama file ProGiz yang merupakan kepanjangan dari program gizi, sedangkan nama sheetnya
tertulis HalMuk yang berarti halaman muka. Tiap pertanyaan pada halaman muka menjadi
variable, untuk pertanyaan satu dikode menjadi variable HM1, pertanyaan 2 menjadi HM2 dan
seterusnya, HM singkatan dari halaman muka. Variabel kunci biasanya diambil dari variable
yang ada di halaman muka kuesioner. Variabel yang dapat dijadikan sebagai variable kunci
adalah HM4 dan HM5. Kedua variable ini selanjutnya dapat digunakan untuk membuat identitas
(ID) unik dari tiap responden dengan cara HM5 digabung dengan HM4. Misalnya HM5=1 dan
HM4=22 maka ID=122, yang berarti responden ke 22 yang berada di desa 1=Dramaga, ID=122
akan bersifat unik artinya tidak ada responden di kedua desa penelitian yang identitasnya sama.

Contoh Halaman Muka Kuesioner Penelitian Bidang Pangan dan Gizi

PROGRAM PERBAIKAN GIZI MELALUI PENYULUHAN GIZI

DAN PROGRAM TANAMAN PEKARANGAN
FILE : ProGiz
Sheet : 1. HalMuk

1. TANGGAL WAWANCARA : HM1 ______/________/________

2. PEWAWANCARA : HM2 1. Burayut 2. Astahiam

3. NAMA RESPONDEN : HM3 ___________________________

4. NOMOR RESPONDEN DI DESA : HM4 ___________________________

5. DESA : HM5 1. DRAMAGA 2. BABAKAN

Untuk entri data seperti tercantum pada halaman muka kuesioner maka perlu dibuat file dan
sheet datanya pada excel. Katakanlah file data diberi nama ProGiz dan sheet untuk data pada halaman
muka diberi nama HalMuk. Kemudian kolom-kolom pada baris pertama sheet excel mulai
dari kolom A diberi nama HM1, HM2, HM3, HM4 dan HM5 seperti tersaji di bawah ini:

A B C D E
1 HM1 HM2 HM3 HM4 HM5
2 13/07/13 1 Susi 1 1
3 13/07/13 2 Santi 2 1
4 14/07/13 1 Laksmi 1 2
5 14/07/13 2 Novitri 2 2
6 15/07/13 1 Lala 3 2

Pada halaman kedua kuesioner penelitian pangan dan gizi biasanya adalah biodata
anggota rumah tangga. Biodata umumnya meliputi nama, posisi dalam rumah tangga, jenis
kelamin, umur, pendidikan, pekerjaan, berat badan, tinggi badan dan keadaan fisiologis seperti
dapat dilihat pada contoh tersaji. Penamaan variabel diawali dengan huruf A kemudian diikuti
dengan angka, tujuannya adalah agar sama dengan huruf yang tercantum di depan BIODATA
sehingga variabel tersebut mudah dikenali dari kelompok data mana berasal. Penambahan angka
di belakangnya menunjukkan kolom data pada tabel. Data yang tersaji pada tabel berubah rubah
banyak barisnya tergantung banyaknya anggota rumah tangga pada rumah tangga yang
diwawancarai. Data dari tabel seperti ini pada sheet excel akan menempati sejumlah baris sesuai
banyaknya anggota rumah tangga. Cara entri data pada sheet excel dengan mengikuti bentuk
tabel memberikan kemudahan entri data dan meminimalkan kekeliruan data entri.

Nilai-nilai dari variabel semaksimal mungkin kodenya saja seperti tercantum pada
keterangan di bawah tabel, kecuali untuk nama-nama anggota rumah tangga. Misalnya variabel
A3=posisi dalam rumah tangga, 1 untuk ayah atau suami, 2 untuk ibu atau istri, 3 untuk anak dan
seterusnya. Untuk variabel A10=fisiologi , 1 untuk perempuan hamil, 2=untuk perempuan
menyusui. Untuk perempuan tidak hamil atau menyusui dan juga untuk anggota rumah tangga
laki-laki dikosongkan atau tidak peril diisi. Dengan cara mengosongkan sel pada sheet untuk
pertanyaan yang cocok untuk anggota rumah tang, sangat efisien karena fungsi-fungsi pada
excel dapat mengabaikannya. Jadi untuk variabel yang tidak cocok untuk suatu anggota rumah
tangga tidak perlu dikode khusus karena memang tidak perlu, kecuali kalau data tersebut
nantinya akan diekspor ke SPSS atau SAS yang tidak memperbolehkan sel data kosong.
Contoh halaman pertama kuesioner

Sheet : 2. Biodata
A. BIODATA ANGGOTA RUMAH TANGGA
A1 A2 A3 A4 A51 A52 A6 A7 A8 A9 A10
Umur
Nama Posisi di Jenis Pend. Pekerjaan BB TB Fisiologi)
No.
keluarga Kelamin (Kg) (Cm)
thn bln

Keterangan:
A3 Posisi di Keluarga 1=suami (ayah), 2=istri (ibu) , 3=anak, 4= saudara, 5= lainnya,
A4 Jenis Kelamin 1=laki-laki, 2=perempuan
A51 Umur dalam tahun
A52 Umur dalam bulan
A6 Pendidikan 1. Tidak Sekolah, 2=SD, 3=SLTP, 4=SLTA, 5=PT
A7 Pekerjaan 1=Petani, 2=Pedagang, 3=Buruh tani, 4=Buruh non tani,
5=PNS/ABRI/Polisi, 6=Ibu RT, 7=Lainnya 8=Tidak Bekerja
A8 Berat Badan (BB) dalam Kg
A9 Tinggi Badan (TB) dalam Cm
A10 Fisiologi 1. Hamil, 2. Menyusui

Untuk entri data tersebut di atas dapat dibuat sheet pada excel dengan nama Biodata
dengan 11 variabel mulai A1 sampai dengan A10. Pada sheet Biodata ini perlu ditambahkan dua
variabel kunci yaitu HM5 dan HM4 yang ditempatkan di dua kolom excel pertama yaitu kolom
A dan B. Kedua variabel kunci ini harus muncul pada semua sheet karena akan digunakan untuk
membuat variabel identitas ditiap sheet sehingga antara sheet memiliki identas yang sama.
Variabel identitas akan berfungsi saat akan membuat set data yang merupakan gabungan dari dua
atau lebih sheet yang berbeda, Sheet Biodata pada excel yang berisi data adalah sebagai berikut:

A B C D E F G H I J K L M

1 HM5 HM4 A1 A2 A3 A4 A51 A52 A6 A7 A8 A9 A10

2 1 1 1 Udin 1 1 40 2 1 65 165
3 1 1 2 Susi 2 2 38 2 6 56 155
4 1 1 3 Amir 3 1 15 3
5 1 1 4 Rina 3 2 4 2 1
6 1 2 1 Solihin 1 1 25 2 1 58 159
7 1 2 2 Santi 2 2 23 2 6 52 155 1

Pada sheet excel nampak rumah tangga pertama menempati empat baris karena terdiri
atas suami istri dan dua anak, sementara rumah tangga kedua menempati dua baris berikutnya
karena rumah tangga tersebut hanya terdiri atas suami istri saja. Beberapa sel tampak kosong
misalnya sel H2 kosong karena umur orang dewasa umumnya tidak dihitung sampai bulan, tapi
cukup tahun saja, sementara sel H5 terisi karena umur untuk balita diperhitungkan sampai bulan.
Sel M7 terisi angaka 1 yang berarti bu Santi hamil, sedangkan sel M2 sampai M6 kosong yang
berarti variabel A10 untuk orang-orang tersebut tidak cocok.
Data ekonomi keluarga yang utama terdiri atas data pendpatan dan pengeluaran rumah
tangga. Di bawah ini tersaji tabel pada kuesioner untuk mencatat pendapatan rumah tangga.
Sumber pendapatan berasal dari suami, istri, anak atau anggota keluarga lainnya. Tiap anggota
rumah tangga yang sudah berpenghasilan didata penghasilannya dari tiga sumber utama.
Kemudian dicatat penghasilannya apakah harian, mingguan, bulanan atau tahunan. Di tiga
kolom terakhir dicatat jumlah hari/minggu/bulan kerja per minggu/bulan/tahun, jumlah satuan
waktu ini digunakan untuk kroscek apakah penghasilannya logis atau tidak. Sebelum data
dientri ke file excel kolom B3 dilengkapi terlebih dahulu artinya semua penghasilan dinyatakan
dalam bulan.

Contoh tabel pada kuesioner untuk data ekonomi keluarga

B. Ekonomi Keluarga
Sheet: 3. Pendaptn
1. Pendapatan Keluarga
B1 B2 B3 B4 B5 B6
Penghasilan1) :
Anggota Jumlah Hari Kerja
Jenis Pekerjaan Rp ribuan per
Keluarga
hari/ mgg/ bln/
Hari Minggu Bulan2) Tahun
mgg bln thn
1.
1. Suami 2.
3.
 1.
2. Istri 2.
3.
1.
3. Anak 2.
3.
1.
4. Agt klg lain 2.
3.
Keterangan : 1) Pilih salah satu (hari, minggu, bulan, tahun)
2) Kolom B3 = bulan digunakan untuk merekap kolom sebelumnya dan harus terisi

Catatan: Semua pendapatan dikonversi ke bulan, dalam perhitungan perhatikan Jumlah waktu kerja

Data pendapatan ini serupa dengan biodata sehingga data satu responden akan
menempati beberapa baris dalam sheet excel. Nilai B1 yang dientri ke dalam sheet excel
cukup kodenya saja, sementara untuk variable B2 harus dientri nama pekerjaannya karena
bisa berubah-ubah untuk tiap orang. Sheet excel untuk data pendapatan adalah sebagai
berikut:

A B C D E F G H

1 HM5 HM4 B1 B2 B3 B4 B5 B6

2 1 1 1 Tukang 1000 6 4 4
3 1 1 1 Bertani 200 6 4 3
4 1 1 1 Ojeg 300 6 4 3
5 1 1 2 Buruh Tani 100 6 4 1
6 1 2 1 Jualan 1200 6 4 4
7 1 2 2 Ojeg 400 6 4 4

Data lainnya yang biasa ditanyakan pada kuesioner seperti data pengeluaran,
pengetahuan sikap praktek gizi, konsumsi pangan dan lain-lain akan dibahas pada Bab
pengolahan data dan Bab berikutnya.

PENGOLAHAN DATA

Pengolahan data yang dimaksud dalam tulisan ini adalah tahap-tahap yang dilakukan
terhadap data awal untuk memperoleh output data dalam format tertentu sehingga siap dianalisis.
Misalnya suatu penelitian ingin melakukan estimasi rata-rata pendapatan rumah tangga per
kapita per bulan berdasarkan sampel acak yang datanya telah tercatat pada kuesioner. Data yang
tercatat pada kuesioner tidak dapat langsung digunakan untuk mengestimasi rata-rata pendapatan
perkapita tersebut karena data pendapatan masih individual anggota rumah tangga dan terpecah
lagi menurut sumber pendapatan, ditambah lagi belum per kapita seperti dapat dilihat pada
contoh sheet Pendaptn pada Bab sebelumnya. Langkah pertama yang perlu dilakukan adalah
menghitung jumlah anggota rumah tangga untuk tiap rumah tangga yang terdapat pada sheet
Biodata. Kemudian langkah kedua adalah menjumlahkan pendapatan per bulan individual
anggota rumah tangga sehingga memperoleh total pendapatan tiap rumah. Langkah ketiga
menggabung jumlah anggota rumah tangga dan total pendapatan per bulan kemudian
merasiokannya sehingga memperoleh rata-rata pendapatan rumah tangga per kapita per bulan.
Langkah-langkah sampai memperoleh rata-rata pendapatan rumah tangga per kapita per bulan
inilah yang disebut salah satu contoh pengolahan data. Sedangkan melakukan estimasi rata-rata
pendapatan disebut sebagai analisis data, karena dengan diperoleh rata-rata tersebut sudah dapat
gambaran tentang rata-rata pendapatan apakah di bawah garis kemiskinan atau di atasnya.

Tahap-tahap pengolahan data yang diperlukan sangat tergantung pada data awal dan
output data yang dikehendaki. Untuk data tertentu tidak perlu adanya proses pengolahan apabila
data yang terdapat pada sheet dapat langsung dianalisis, dilain pihak untuk data tertentu perlu
banyak sekali tahap pengolahan yang diperlukan untuk sampai kepada output data yang siap
dianalisis. Pada umumnya tahap pengolahan data merupakan tahap yang banyak menyita waktu,
memerlukan teknik-teknik dan trik-trik tertentu agar langkah-langkah yang diperlukan tidak
terlalu panhang. Dengan menggunakan perangkat lunak excel pengolahan data dapat dilakukan
dengan baik, namun diperlukan pemahaman yang benar tentang fungsi-fungsi yang terdapat
dalam excel. Disamping itu perlu pemahaman yang baik tentang pengertian expresi
matematika, operator dan operand.

Expresi Matematika

Pernyataan tiga ditambah dua sama dengan lima dalam matematika dituliskan sebagai 3
+ 2 = 5. Tulisan 3+2=5 dalam matematika disebut sebagai expresi matematika. Angka 3, 2 dan
5 disebut sebagai operand, sedangkan tanda + dan tanda = disebut sebagai operator. Suatu
expresi matematika apabila ditulis dalam excel tulisannya dapat berubah karena ada sejumlah
operator matematika yang simbolnya tidak sama dengan symbol di dalam excel, misalnya
operator matematika perkalian x di dalam excel dilambangkan oleh asterisk *, di dalam
matematika tidak ada operator pangkat tapi di dalam excel dilambangkan oleh tanda topi ^ , tapi
operator tambah + dan operator pengurangan - cara penulisannya dalam matematika dan excel
sama.

Di dalam matematika dikenal operator arimatika, relational dan logik, di dalam excel
operator tersebut ada hanya berbeda symbolmya. Operator memiliki prioritas, operator
aritmatika memiliki priotas tertinggi, kemudian diikuti operator relasional dan yang paling
rendah prioritasnya adalah operator logik. Dibawah ini disajikan operator dalam matematika,
penulisan dalam excel dan prioritasnya, makin ke bawah makin rendah prioritasnya.

Tabel 2.1 Simbol Operator dalam Matematika dan Padanannya dalam Excel
Operator Dalam Matematika Dalam Excel

Artmatika Kurung buka dan tutup ( ) ( )

Pangkat Tidak ada (posisi di atas) ^
Kali, Bagi X, / *, /
Tanmbah, Kurang +. - +, -
Relasional Sama dengan = =
Tidak sama dengan ≠ <>
Lebih kecil < <
Lebih kecil sama dengan ≤ <=
Lebih besar > >
Lebih besar sama dengan ≥ >=
Logik Bukan - Not
Dan ۸ and
Atau ٧ Or
Jika maka → If( , , )
Jika dan hanya jika ↔

Fungsi-Fungsi dalam Excel

Dalam pemecahan masalah pengolahan data dengan menggunakan perangkat lunak
excel banyak sekali kemudahan karena tersedianya fungsi-fungsi di excel yang dapat
digunakan. Fungsi-fungsi tersebut antara lain fungsi matematika (Math & Trig), statistika, date &
time, finansial, lookup & reference, text dan lain-lain. Beberapa fungsi yang tersedia pada
excel tersaji dalam Tabel 2.2 berikut:

Tabel 2.2. Beberapa Fungsi dalam Excel

Kategori Fungsi Contoh
fungsi
Math & Trig ABS ABS(-5)=5 , nilai absolut dari -5
COMBIN COMBIN(5,2)=10, kombinasi 2 dari 10
COS COS(60)=1/2, cosinus dari sudut 60 derajat
EXP EXP(2)=e2
LOG10 LOG10(100)=2, logaritma dengan bilangan pokok 10
 SIN SIN(30)=1/2, sinus dari 30 derajat
Statistika AVERAGE AVERAGE(2,3,4)=3, rata-rata aritmatik
MIN MINIMUM(2,3,4)=2, nilai terkecil
MAX MAX(2,3,4)=4, nilai terbesar
STDEV STDEV(2,3,4)=1, standard deviasi
Lookup & INDEX INDEX(array,baris,kolom), memberikan unsur array
reference pada baris dan kolom tertentu
LOOKUP Lookup(nilai yg dicari,array antara, array hasil)
TEXT LEFT LEFT(String,banyaknya karakter dari kiri)
MID MID(String, posisi awal dari kiri, banyak karakter)
RIGHT RIGHT(String,banyak karakter dari kanan)

Pengoperasian Expresi Matematika dan Fungsi-Fungsi

Untuk memahami dengan benar tentang expresi matematika dan fungsi-fungsi yang
tersedia pada excel dapat dilakukan dengan cara mengoperasikannya pada data yang terdapat
pada sheet-sheet excel. Perhatikan data yang terdapat pada sheet excel pada sheet excel di
bawah dan lakukan:
1. Hitung Indeks Massa Tubuh (IMT) untuk ketiga orang tersebut , tempatkan IMT orang
pertama, kedua dann ketiga pada E2, E3 dan E4 secara berurutan.
2. Hitung banyaknya pengamatan (n), mean, simpangan baku(standard deviasi), nilai
minimum, nilai maksium dari variabel umur, BB, TB dan IMT, tempatkan hasilnya dengan
memperhatikan format yang disediakan.
3. Tentukan status gizi ketiga oaring tersebut menurut IMT dengan pengkategorian IMT :
Kurus jika IMT<18.5, Normal jika 18.5<=IMT<=25 dan Gemuk jika IMT>25.
Tempatkan hasilnya di kolom F, mulai dari F2.ekan enter.
A B C D E F
1 Nama Umur BB TB IMT
2 Astahiam 50 70 165
3 Susi Susanti 40 60 160
4 Amir 25 58 165
5 n
6 mean
7 stdev
8 min
9 max

Penyelesaian:
1. Indeks Massa Tubuh (IMT) diperoleh dengan cara merasiokan Berat Badan (BB) dalam
satuan Kg dengan Tinggi Badan (TB) dalam satuan meter dikuadratkan atau dalam
expresi matematika dituliskan sebagai berikut:
IMT=BB/TB2
 Expresi matematika ini dalam excel dapat dilakukan untuk orang pertama dengan cara
menempatkan kursor pada sel E2 dan lalu kursor tempatkan pada baris perintah lalu
tuliskan
=C2/(D2/100)^2
Kemudian tekan enter. Untuk orang kedua dan ketiga tinggal melakukan druging
kursor ke bawah.
2. Menghitung banyaknya pengamatan n untuk umur dapat dilakukan pertama Klik
kursor di sel B5 , lalu klik kursor di baris perintah kemudian tuliskan
=countif(B2:B4,”>0”) kemudian tekan enter. Untuk menghitung mean umur klik kursor
di sel B6, lalu klik kursor di baris perintah, tuliskan =average(B2:B4) kemudian tekan
enter. Dengan cara serupa seperti menghitung mean, menghitung simpamgan baku,
nilai minimum dan nilai maksimum dari umur dilakukan dengan menuliskan
=STDEV(B2:B4), =MIN(B2:B4) dan =MAX(B2:B4) secara berurutan di sel B7, B8 dan
B9. Untuk variabel BB, TB dan IMT menghitung n, mean, stdev, min dan max cukup
dilakukan dengan memblok sel B5 sampai B9 lalu tarik kursor (druging) sampai kolom
E.
3. Status gizi menurut IMT dapat dilakukan menuliskan perintah di sel F,
=IF(E2<18.5,”Kurus”,if(E2<=25,”Normal”,”Gemuk”)) lalu tekan enter. Kemudian kursor
tempatkan di sudut kanan bawah sel ini lalu tarik kursor sampai baris 4.

Langkah-langkah di atas akan memberikan hasil sebagai berikut:

A B C D E F
1 Nama Umur BB TB IMT STGIZI
2 Astahiam 50 70 165 25.7 Gemuk
3 Susi Susanti 40 60 160 23.4 Normal
4 Amir 25 58 165 21.3 Normal
5 n 3 3 3 3
6 mean 38.3 62.7 163.3 23.5
7 stdev 12.6 6.4 2.9 2.2
8 min 25.0 58.0 160.0 21.3
9 max 50.0 70.0 165.0 25.7

Fungsi trigonometri meliputi Sin, Cos, tan, sec, csc, cot dalam excel menggunakan
sudut dalam satuan radian. Misalnya dalam matematika Sin(30)=0.5 dalam excel menjadi
sin(radians(30))=sin(0.523598776)=0.5, karena satu radian=180/π ≈ 57.29577951. Dalam excel nilai π
dapat diperoleh dengan fungsi PI()≈ 3.141592654. Fungsi kebalikan yang dikenal dengan arcus: Arcsin,
Arccos,Arctan, Arcsec, Arccsc dan Arccot dalam excel menjadi Asin, Acos,Atan, Asec, Acscdan Acot.
Fungsi kebalikan ini akan mengembalikan sudut dalam satuan radian. Misalnya dalam matematika
Arcsin(sin(30))=30 maka dalam excel setara dengan Asin(sin(radians(30)))=radians(30)= 0.523598776.
Fungsi trigonometri dapat digunakan untuk pemodelan fenomena yang terkait dengan waktu misalnya
banyaknya penderita flu, diare dan demam berdarah harian dari 1 Januari sampai 31 Desember, karena
banyaknya penderita flu, diare dan demam berdarah terkait dengan musim.
 Notasi operator logika dalam matematika meliputi not, dan, or, jika maka tersedia dalam
excel seperti disajikan pada tabel 2.1 diperlakukan sebagai fungsi. Misalnya P dan Q adalah pernyataan,
masing-masing P dan Q memiliki dua kemungkinan nilai kebenaan yaitu Salah (FALSE) atau benar
(TRUE). Dibawah ini pada Tabel 2.3 disajikan nilai kebenaran bagi P dan Q dengan menggunakan ke
empat operator dasar. Pernyataan bukan P atau dalam matematika –P di dalam excel dituliskan dengan
notasi Not(P). Sedangkan pernyataan P dan Q dalam matematika dituliskan dengan notasi PΛQ dan
dalam excel dituliskan dengan notasi AND(P,Q). Sementara pernyataan P atau Q dalam matematika
dituliskan dengan notasi PVQ dan dalam excel dituliskan dengan notasi OR(P,Q). Pernyataan jika P maka
Q dalam matematika dituliskan dengan notasi P→Q, di dalam excel tidak ada notasinya tapi dapat
dituliskan dengan padanannya yaitu dengan notasi OR(not(P),Q).

Tabel 2.3 Daftar Nilai Kebenaran TRUE(T) atau FALSE (F) dari Pernyataan yang menggunakan empat
Operator Dasar dalam Matematika dan Excel.

P Q -P Not(P) P ΛQ AND(P,Q) PVQ OR(P,Q) P→Q OR(not(P),Q)

F F T T F F F F T T
F T T T F F T T T T
T F F F F F T T F F
T T F F T T T T T T

Di bawah ini disajikan penggunaan operator logika dalam excel. Variabel No memiliki nila 1
sampai 4 yang menempati sel A2 sampai A5. Misalkan P adalah pernyataan A2>2 untuk sel B2, dan Q
adalah pernyataan mod(A2,2)=0 untuk sel C2 dengan catatan mod(A2,2)=0 jika A2 habis dibagi 2 dan
mod(A2,2)=sisa hasil pembagian jika A2 tidak habis dibagi 2. Kemudian sel B2 sampai C2 di blok dan
dilakukan dragging ke bawah sampai baris 5 maka akan menghasilkan data seperti tersaji di bawah.
Selanjutnya –P adalah pernyataan Not(B2) untuk sel D2, P VQ adalah pernyataan OR(B2,C2) untuk sel E2
, P Λ Q adalah pernyataan AND(B2,C2) untuk sel F2 dan P→Q adalah pernyataan OR(not(B2),C2) untuk
sel G2. Sel D2 sampai G2 di blok lalu dilakukan dragging ke bawah sampai baris 5 maka sel-sel di
bawahnya akan terisi oleh nilai TRUE atau FALSE.

A B C D E F G
1 No P Q -P P VQ PΛQ P→Q
2 1 FALSE FALSE TRUE FALSE FALSE TRUE
3 2 FALSE TRUE TRUE FALSE TRUE TRUE
4 3 TRUE FALSE FALSE FALSE TRUE FALSE
5 4 TRUE TRUE FALSE TRUE TRUE TRUE

Fungsi Index dalam excel dapat digunakan untuk mengambil suatu unsur dalam matrik
atau array. Perhatikan matrik A yang berukuran 3 x 3 pada sheet excel da;am range A2 sampai
C4 di bawah ini, misalnya sel A2 adalah unsur matrik A yang berada pada baris 1 dan kolom
satu, B2 adalah unsure matrik A pada baris 1 dan kom 2, sel C4 adalah unsure matrik A pada
baris 3 dan kolom 3. Unsur matrik A dapat diambil oleh fungsi Index dan ditempatkan sel lain
pada sheet yang sama atau sheet yang berbeda. Misalnya unsur matrik A pada sel A3 mau
diambil oleh fungsi index dan ditempatkan pada E2 maka tempatkan kursor pada E2 lalu klik
baris perintah lalu tuliskan Index($A$2:$C$4,2,1) lalu tekan enter maka sel F2 akan berisi 2.
Tujuan pemberian tanda $ pada range matrik dimaksudkan agar saat fungsi di dragging ke sel
lain matrik tidak berubah masih menempati range awal.

A B C D E F G
1 Matrik A Fungsi Index
2 4 1 2 2
3 2 4 3
4 3 7 8
Fungsi strig dalam excel digunakan untuk melakukan pengambilan bagian string,
menggabung string, menghitung banyaknya karakter dalam string dan lain-lain. Perhatikan
data pada sheet excel di bawah untuk menjelaskan penggunaan fungsi string. Membuat nama
lengkap dapat dilakukan dengan menggabungkan nama awal denga nama akhir dalam excel
dapat dilakukan dengan fungsi concatenate(A2,B2) lalu tempatkan di sel C2. Kemudian dua
huruf awal dari nama lengkap dapat diambil dengan fungsi LEFT(C2,2) lalu tempatkan di sel
D2. Selanjutnya empat huruf tengah mulai dari huruf ketiga dapat dilakukan dengan fungsi
MID(C2,3,4) dan ditempatkan di sel E2. Pengambilan tiga huruf terakhir dari nama lengkap
dapat diambil dengan fungsi RIGHT(C2,3) dan ditempatkan di F2. Cara yang serupa dapat
dilakukan untuk dua orang berikutnya sehingga diperoleh hasil seperti tersaji di bawah.

A B C D E F
1 Nama Awal Nama Akhir Nama Lengkap Awal Tengah Akhir
2 Mira Sari Mira Sari Mi ra S ari
3 Ari Santoso Ari Santoso Ar i Sa oso
4 Abdul Qodir Abdul Qadir Ab dul dir
 MERANCANG SHEET ANALISIS

Sheet analisis adalah sheet yang dirancang untuk memudahkan dalam melakukan
berbagai analisis. Sheet ini perlu dirancang karena banyak sheet di excel yang perlu diolah
terlebih dahulu sebelum analisis data dapat dilakukan. Suatu sheet bisa langsung jadi sheet
analisis apabila tidak perlu adanya pengolahan terlebih dahulu karena suatu analisis langsung
dapat dilakukan. Suatu sheet analisis bisa berasal dari satu sheet asal atau gabungan
beberapa sheet asal yang telah diolah terlebih dahulu. Banyaknya sheet analisis untuk suatu
kuesioner tergantung kepada keperluan, bisa hanya satu sheet , dua sheet atau banyak sheet.

Pada tiap sheet perlu dibuat variabel identitas terlebih dahulu sebelum suatu sheet
menjadi sheet analisis atau menjadi bagian dari suatu sheet analisis. Variabel identitas
dibentuk dari satu, dua atau beberapa variabel (peubah) kunci. Peubah identitas berfungsi
untuk menggabungkan dua atau lebih sheet analisis. Tanpa peubah identitas, sheet sheet
analisis tidak dapat digabungkan.

1. Merancang Sheet Analisis Biodata

Sheet analisis biodata umumnya berisi variabel suami dan istri meliputi umur, pendidikan,
pekerjaan, berat badan, tinggi badan dan fisiologi (hanya untuk istri). Disamping variabel
tersebut pada sheet ini biasanya ada variabel jumlah anggota rumah tangga dan tentu ada
variabel identitas. Langkah-langkah pengolahan data untuk merancang sheet analisis biodata
dari sheet biodata adalah sebagai berikut:

1. Membangkitkan (membuat) variabel indentitas, dari variabel kunci. Insert satu kolom
antara kolom B dan kolom C sehingga muncul satu kolom C baru yang kosong.
Kemudian di sel C1 tulis ID sebagai nama dari peubah identitas (ID). Klik kursor pada
C2 lalu klik kursor pada baris perintah lalu tulis =A2*10+B2 dan tekan enter sehingga di
sel C2 muncul angka 11. Disini A2 sebagai nilai dari variabel kunci HM5 dan B2 sebagai
nilai dari variabel kunci HM4. Selanjutnya sel C3 sampai sel C7 diisi dengan cara
druging kursor dari C2.

2. Lakukan pemblokan dari A1 sampai M7, lalu klik data dan klik sort by A3 and ID
smallest to largest sehingga suami akan terkumpul di awal diikuti kumpulan istri,
kumpulan suami dan istri terurut menurut ID. Kumpulan anak akan berada di bawah
kumpulan istri dan diabaikan saja karena tidak diperlukan untuk sheet analisis biodata.
3. Buat sheet baru lalu beri nama biodata-analisa, kemudian copy A1 sampai N3 dari sheet
biodata lalu paste di sheet biodata-analisa pada sel yang sama. Kemudian kolom-kolom
yang tidak perlu di hapus (delete) sehingga yang tersisa ID, A51, A6, A7,A8 dan A9,
untuk variabel A51 sampai A9 tambahkan huruf S sehingga menjadi A51S sampai A9S,
huruf S berarti suami. Cara yang sama lakukan untuk data istri namun ditempatkan di
sheet biodata-analisis mulai kolom H di baris 1, sehingga ada kolom kosong yaitu kolom
G. Kolom G ini digunakan untuk memeriksa apakah data match atau tidak dengan cara
di sel G2 tulis =A2-H2 jika nilainya 0 berarti macth sebaliknya tidak match. Jika tidak
 macth maka diperlukan operasi-operasi sehingga macth. Setelah semua macth, kolom
G dan H dihapus.
4. Banyaknya anggota rumah tangga dilakukan dengan cara membuat sheet baru
katakanlah diberi nama Agt kemudian sheet ini diisi dengan data ID (pada kolom A
dimualai dari sel A1 yang berasal dari sheet biodata dengan cara mengcopynya.
Kemudian ID di sel A1 ubah menjadi Jar, lalu blok A1 sampai sel terakhir yang berisi nilai
ID di kolom A. Klik menu Data lalu klik Subtotal pada at each change in pilih jar, pada
use function pilih count dan pada add subtotal to pilih Jar kemudian klik Ok. Sheet
Agt akan berubah sesuai hasil dari fungsi Subtotal. Variabel jar akan pindah ke kolom B
dan kolom A akan berisi label count yang didepannya tertulis nilai ID. Buat sheet baru
beri nama agt1 lalu copy data dari sheet Agt dan lalu past special values di sheet Agt1.
Kemudian pada sheet Agt1, tuliskan ID pada sel A1 lalu blok kolom A dan B yang berisi
data, klik data lalu klik sort, pilih ID sebagai dasar untuk sorting dan pilih smallest to
largest. Hapus baris-baris data asal, pertahankan baris yang berisi label count.
Hilangkan label count dengan menggunakan find and replace. Sampai langkah ini
akan diperoleh sheet Agt1 yang berisi variabel ID dan Jar. Sheet ini gabung ke sheet
Biodata-analisis dan simpan di kolom M. pengecekan macth tidaknya ID antara data dari
sheet Agt dan sheet Biodata-analisis perlu dilakukan untuk memastikan bahwa data
macth. Hapus sheet Agt dan Agt1 agar dalam file excel tidak terlalu banyak sheet. Hasil
dari langkah 1 sampai langkah 4 akan menghasilkan sheet biodata-analisis sebagai
berikut:

A B C D E F G H I J K L M

1 ID A51S A6S A7S A8S A9S A51I A6I A7I A8I A9I A10 Jar

2 11 40 2 1 65 165 38 2 6 56 155 4
3 12 25 2 1 58 159 23 2 6 52 155 1 2

2. Merancang Sheet Analisis Pendapatan (Pendaptn)

Dalam sheet analisis untuk pendapatan yang diperlukan adalah variabel pendapatan per
kapita per bulan. Untuk memperoleh variabel ini diperlukan langkah-langkah sebagai
berikut:

1. Buat variabel ID dengan menggunakan peubah HM5 dan HM4. Copy data pada
sheet Pendaptn ke sheet baru Pendaptn1.
2. Pada sheet pendaptn1,klik data lalu klik subtotal dengan at each change in pilih
ID, pada use function pilih sum dan pada add subtotal to pilih B3 lalu klik Ok.
3. Copy data pada pendaptn1 ke pendaptn-analisis dengan menggunakan past
special lalu klik values sehingga data pada sheet ini bebas fungsi.
4. Pada sheet pendaptn-analisis lalukan sorting dengan dasar peubah ID.
Pertahanlan baris 1 dan baris berlabel subtotal, hapus baris lainnya termasuk baris
berlabel Grand Total. Pertahankan kolom berlabel ID dan B3, hapus kolom-kolom
lainnya. Gunakan find and replace untuk menghilangkan label subtotal.
5. Copy data ID dan Jar dari sheet biodata-analisis ke sheet pendaptn-analsis dan
tempatkan di sel D1 sehingga data ini akan menempati kolom D dan E. Gunakan
kolom C untuk mengecek macth tidaknya hasil copy dengan menuliskan =A2-D2
pada sel C2, jika 0 berarti data macth, jika tidak 0 berarti tidak macth sehingga perlu
operasi-operasi agar data macth.
6. Buat pendapatan per kapita per bulan dengan cara merasiokan B3 dengan Jar,
hasilnya beri label B3Kap. Lakukan operasi Copy paste special sehingga data
bebas formula. Pertahankan satu kolom berlabel ID, kolom B3 dan kolom B3Kap,
 hapus kolom lainnya. Hasil dari langkah 1 sampai 6 akan menghasilkan sheet
pendaptn-analisis sebagai berikut:

A B C
1 ID B3 B3Kap
2 11 1600 400
3 12 1600 800

3. Merancang sheet anlisis pengeluaran

Data pengeluaran rumah tangga pada kuesioner dicatat dalam format tabel sehingga
data pengeluaran pada sheet excel pengeluaran akan serupa dengan data pengeluaran yang
tercatat pada kuesioner. Misalkan data pengeluaran pada sheet excel adalah sebagai berikut:

A B C D E F
1 HM5 HM4 ID C1 C2 C3
2 1 1 11 1 1 217500
3 1 1 11 1 2 60000
4 1 1 11 1 3 60000
5 1 1 11 2 1 70000
6 1 1 11 2 2 45000
7 1 2 12 1 1 12000
8 1 2 12 1 2 150000
9 1 2 12 2 1 80000
10 1 2 12 2 2 60000
11 1 2 12 2 3 59167

Langkah pertama yang dilakukan adalah membuat sheet kosong pengeluaran-analisis,

kemudian copy data pengeluaran ini ke sheet ini. Buat variabel kode pangan (kopang) dengan
cara menggabungkan C1 (1=pangan, 2=non pangan) dengan C2 (jenis pengeluaran, misalnya
1=beras untuk C1=1, dan 1=kesehatan untuk C1=2). Kemudiam di kolom sebelah kanan
setelah C3 isi dengan kopang yaitu 11, 12, 13, 21,22, dan 23. Pertahankan kolom-kolom
seperti dapat dilihat pada sheet excek di bawah, dan kolom lainnya dihapus. Isi sel D2 dengan
=if($B2=D$1,$C2,0) kemudian lakukan drugging ke kanan dan ke bawah sampai I11 sehingga
menghasilkan sheet seperti tersaji berikut:

A B C D E F G H I
1 ID kopang C3 11 12 13 21 22 23
2 11 11 217500 217500 0 0 0 0 0
3 11 12 60000 0 60000 0 0 0 0
4 11 13 60000 0 0 60000 0 0 0
5 11 21 70000 0 0 0 70000 0 0
6 11 22 45000 0 0 0 0 45000 0
7 12 11 12000 12000 0 0 0 0 0
8 12 12 150000 0 150000 0 0 0 0
9 12 21 80000 0 0 0 80000 0 0
10 12 22 60000 0 0 0 0 60000 0
11 12 23 59167 0 0 0 0 0 59167

Untuk menuju sheet pengeluaran-analisis langkah berikutnya adalah melakukan Subtotal

untuk kolom-kolom berlabel kopang dengan use function sum dengan dasar ID. Lakukan
langkah-langkah sehingga akan menghasilkan sheet sebagai berikut:

ID 11 12 13 21 22 23 Jar
11 217500 60000 60000 70000 45000 0 4
12 12000 150000 0 80000 60000 59167 2

Akhirnya sheet pengeluaran-analisis dapat diperoleh dengan cara merasiokan jenis

pengeluaran dengan jumlah anggota rumah tangga (Jar), sehingga diperoleh jasil sebagai
berikut:

A B C D E F G
1 ID 11 12 13 21 22 23
2 11 54375 15000 15000 17500 11250 0
3 12 6000 75000 0 40000 30000 29583.5

4. Merancang Sheet Analisis Angka Kecukupan Gizi

Sheet ini dapat dikembangkan dari sheet biodata, karena pada sheet biodata terdapat
anggota rumah tangga dengan variabel jenis kelamin, umur dan fisiologi. katakanlah
Angka Kecukupan Gizi (AKG) yang dihitung tidak mempertimbangkan berat dan tinggi
badan. Misalkan Biodata pada sheet excel sebagai berikut:

A B C D E F G H
1 ID A1 A2 A3 A51 A10

2 11 1 Udin 1 40
3 11 2 Susi 2 38
4 12 1 Solihin 1 25
5 12 2 Santi 2 23 1

Misalkan Tabel AKG yang tersedia sebagai berikut:

A B C D E
1 Gol Sex umur Energi Protein
2 1 pria 20-45 thn 2800 55
3 2 pria 46-59 thn 2500 55
4 3 Perempuan 20-45 thn 2200 48
5 4 Perempuan 46-59 thn 2100 48
6 5 Perempuan hamil 20-45 thn 2485 60
7 6 Perempuan hamil 46-59 thn 2385 60

Sheet analisis AKG yang dikehendaki adalah bahwa tiap rumah tangga diketahui
angka kecukupan energy dan protein perkapita per hari. Untuk memperoleh sheet analisis
tersebut maka langkah pertama adalah mencantumkan angka 1 sebagai gol 1 di sel G1
sampai angka 6 sebagai gol 6 di L1 kemudian Gol di M1. Sel G2 sampai sel M diisi dengan:
1. Sel G2 diisi dengan =if(and(D1=1,E2>=20,E<45.5),1,0)
 2. Sel H2 diisi dengan =if(and(D1=1,E2>=45.5,E2<=59),2,0)
3. Sel I2 diisi dengan =if(and(D1=2,E2>=20,E2<45.5,F2<>1),3,0)
4. Sel J2 diisi dengan =if(and(D1=2,E2>=45.5,E2<=59,F2<>1),4,0)
5. Sel K2 diisi dengan =if(and(D1=2,E2>=20,E2<45.5,F2=1),5,0,)
6. Sel L2 diisi dengan =if(and(D1=2,E2>=45.5,E2<59,F2=1),6,0)
7. Sel M2 diisi dengan =sum(G2:L2)

Kemudian G2 sampai M2 di blok lalu drugging ke bawah sampai baris akhir data maka akan
diperoleh hasil sebagai berikut:

A B C D E F G H I J K L M
1 ID A1 A2 A3 A51 A10 1 2 3 4 5 6 Gol

2 11 1 Udin 1 40 1 0 0 0 0 0 1
3 11 2 Susi 2 38 0 0 3 0 0 0 3
4 12 1 Solihin 1 25 1 0 0 0 0 0 1
5 12 2 Santi 2 23 1 0 0 0 0 5 0 5

Katkakanlah abgka kecukupan gizi ada di sheet AKG maka angka kecukupan energy dan
protein dapat dihitung dengan menggunakan fungsi index sebagai berikut:

1. Pada sel N2 isi dengan =Index(AKG!$D$2:$E$7,$M2,1) untuk energy

2. Padas sel O2 isi dengan =index(AKG!$D$2:$E$7,$M2,2) untuk energy
3. Blok sel N2 sampai O2 drugging kursor ke bawah sampai baris data terakhir
4. Blok N2 sampai O5 copy lalu past special values di sel P2, langkah ini untuk
menghilangkan fungsi
5. Hapus kolom G sampai kolom P

Sampai langkah ini akan diperoleh hasil sebagai berikut:

A B C D E F G H
1 ID A1 A2 A3 A51 A10 Energi Protein

2 11 1 Udin 1 40 2800 55
3 11 2 Susi 2 38 2200 48
4 12 1 Solihin 1 25 2800 55
5 12 2 Santi 2 23 1 2485 60

Untuk memperoleh angka kecukupan energy dan protein rumah tangga dapat diakukan
fungsi subtotal berdasarkan ID dengan menggunakan fungsi sum untuk energy dan protein.
Copy sheet ini ke sheet lain sehingga angka-angka bebas fungsi dan kolom-kolom yang tidak
perlu dihapus. Kemudian gabung variabel Jar, lalu hitung angka kecukupan energy dan protein
per kapita, Hapus kolom-kolom yang tidak perlu sehingga akan diperoleh hasil berikut:

A B C
1 ID Energi Protein

2 11 2500 51.5
3 12 2643 57.5

6. Merancang Sheet Analisis Angka Konsumsi Gizi

Angka konsumsi Gizi diperoleh dengan mengkonversi konsumsi pangan dalam gram ke
konsumsi gizi dengan bantuan Daftar Komposisi Bahan Makanan (DKBM). Sheet konsumsi
pangan biasanya berisi data kode pangan dan konsumsi pangan dalam gram sedangkan
DKBM berisi nama pangan, BDD(Bagian yang Dapat Dimakan), kandungan zat gizi per 100
gram pangan. Katakanlah Sheet konsumsi pangan dan sheet DKBM diberikan terpisah
sebagai berikut:

Sheet Konsumsi pangan (Konpang)

A B C D E F G H
1 ID Kopang Gram Energi Protein

2 11 1 1100
3 11 2 110
4 12 1 1300
5 12 2 170

Sheet DKBM
A B C D E F G H I
1 Kopang Pangan BDD Energi Protein

2 1 Nasi 100 178 2.1

3 2 Telur Ayam Dadar 100 251 16.3

Penghitungan konsumsi energy dan protein pada sheet pangan dapat dilakukan sebagai
berikut:

1. Isi sel D2 pada sheet Kopang dengan

=Index(DKBM!$C$2:$E$3,$B2,2)*$C2*index(DKBM!$C$2:$E$3,$B2,1)/10000

2. Isi sel E2 pada sheet Kopang dengan

=Index(DKBM!$C$2:$E$3,$B2,3)*$C2*index(DKBM!$C$2:$E$3,$B2,1)/10000

3. Blok sel D2 sampai E2 lalu drugging kursor ke bawah sampai baris terakhir data

Dengan tiga langkah tersebut di atas akan menghasilkan sheet kopang sebagai berikut:

A B C D E F G H
1 ID Kopang Gram Energi Protein

2 11 1 1100 1958.00 23.10

3 11 2 110 176.22 12.67
4 12 1 1300 2314.00 27.30
5 12 2 170 272.34 19.58

Tabel di atas selanjutnya diolah dengan menggunakan subtotal kemudian dilakukan copy paste
special values kemudian digabung dengan Jar untuk menghitung konsumsi energy dan protein
per kapita per hari maka akan diperoleh sheet analisis konsumsi zat gizi sebagai berikut:

A B C
1 ID Energi Protein
 2 11 1067.11 17.886
3 12 1293.17 23.442

7. Merancang Sheet Analisis Status Gizi Anak

Penentuan status gizi dengan menggunakan Berat Badan menurut Umur (BBU), Tinggi
Badan menurut Umur (TBU) dan Berat Badan menurut Tinggi Badan (BBTB) digunakan untuk
orang yang berumur 0 sampai 18 tahun atau disebut anak. Dalam kuesioner data anak dicatat
dalam sheet biodata. Dalam satu rumah tangga, banyaknya anak beragam bisa muali dari nol
(tidak ada anak), satu anak, dua anak dan seterusnya. Di bawah ini tersaji biodata anggota
rumah tangga termasuk anak. Misalnya ingin menganalisis status gizi anak termuda, maka
langkah pertama adalah

A B C D E F G H I J K L M

1 HM5 HM4 A1 A2 A3 A4 A51 A52 A6 A7 A8 A9 A10

2 1 1 1 Udin 1 1 40 2 1 65 165
3 1 1 2 Susi 2 2 38 2 6 56 155
4 1 1 3 Amir 3 1 15 3 50 165
5 1 1 4 Rina 3 2 4 2 1 18 100
6 1 2 1 Solihin 1 1 25 2 1 58 159
7 1 2 2 Santi 2 2 23 2 6 52 155 1
8 1 2 3 Umar 3 1 8 1 20 120

mengambil data anak termuda dari sheet tersebut. Hal ini dapat dilakukan sorting menurut
umur. Umur dihitung terlebih dahulu dengan formula Umur=A51+A52/12, kemudian
pengambilan anak umur termuda dapat dilakukan dengan subtotal dengan menggunakan
fungsi minimum sehingga akan diperoleh sheet berikut:

ID A2 A51 A52 A4 A8 A9

11 Rina 4 2 2 18 100
12 Umar 8 1 1 20 120

Untuk sampai kepada ZBBU. ZTBU dan ZBBTB, perlu dilakukan penentuan baris bagi Rina dan
Umar pada sheet BBTB , TBU dan BBU. Formula bagi baris adalah sebagai berikut:

1. Baris bagi BBTB = ( A9-48.5)/0.5

2. Baris bagi TBU atau BBU = A51*12+A52+1

Selanjutnya dengan fungsi index, median dan standard deviasi BBTB, TBU dan BBU bagi Rina
dan Umar dapat diambil dan kemudian z-Skornya dapat dihitung sehingga akan diperoleh sheet
analisis status gizi anak sebagai berikut:

ID A2 A51 A52 A4 A8 A9 ZBBU ZTBU ZBBTB

11 Rina 4 2 2 18 100 0.72 -0.68 1.90

12 Umar 8 1 1 20 120 -1.15 -1.37 -0.92

ANALISIS DATA

Analisis data dapat dilakukan dengan berbagai perangkat lunak computer misalnya
dengan perangkat lunak statistika, excel, acces dan lain-lain. Perangkat lunak statistika yang
beredar ada sekitar rartusan dan dapat dibagi ke dalam tiga kategori yaitu kecil, sedang dan
besar. Perangkat lunak statistika yang tergolong kecil antara lain adalah Microstat, statgraph,
yang tergolong menengah adalah Systat, dan yang tergolong besar antara lain adalah SPSS
dan SAS. Beberapa analisis seperti elementary statistik, pembuatan tabel dan graphik dapat
dilakukan dengan menggunakan excel tapi kurang efisien. Namun demikian kelebihan dari
excel, pembuatan graphic dan tabel dengan menggunakan excel lebih bervarisi dan menarik
dan dalam pembuatannya lebih interaktif dibandingkan perangkat lunak statistika. Analisis
untuk pendugaan parameter dan pengujian hipotesis sangat dianjurkan menggunakan
perangkat lunak statistika karena sangat efisien dan sudah teruji. Di bawah ini akan dijelaskan
beberapa contoh analisis data dengan menggunakan Excel dan perangkat lunak statistika:

1. Analisis data dengan excel

Perhatikan data di bawah ini yang terdiri dari nama, sex, umur, BB dan Tb pada sheet
excel. . Misalkan dihitung statistika dasarnya meliputi n, mean, std, min dan max. Disamping itu
dibuat tabel satu arah yaitu sebaran responden menurut jenis kelamin. Kemudian setelah
diperoleh tabel maka dibuat diagram batang dan diagram lingkaran seperti dapat dilihat di
sheet excel d i bawah. Untuk menghitung n gunakan fungsi
A B C D E F G H I
1 Nama Sex Umur BB TB Sex n %
2 Ani 2 25 52 155 Laki-Laki 5 55.56
3 Aman 1 30 58 165 Perempuan 4 44.44
4 Susi 2 35 60 160 Total 9 100.00
5 Badrun 1 40 62 165
6 Ita 2 45 60 160
7
Eni 2 48 61 162
8 Deni 1 26 56 166
9 Didi 1 53 75 170
10 Agus 1 52 74 165
11
12 n 9 9 9
13 mean 39.3 62.0 163.1
14 std 10.9 7.7 4.4
15 min 25.0 52.0 155.0
16 max 53.0 75.0 170.0
17

=countif(C2:C10,”>0”) di sel C12 untuk umur, kemudian =average(C2:C10) di sel C13,

=stdev(C2:C10) di sel C14, =min(c2;c10) di sel C15 dan =max(C2:C10) di sel C15. Sel C12
sampai C15 di blok lalu drug ke kanan untuk peubah BB dan TB maka elementary statistic
untuk umur, BB dan TB dapat dihitung seperti tersaji di sheet excel. Sebaran responden
menurut jenis kelamin dapat dihitung dengan =countif(B2:B10,”=1”) di sel , H2 lalu
=countif(B2:B10,”=2”) di sel H3 , dan =sum(H2:H3) di sel H4. Proporsi untuk laki-laki dapat
dihitung dengan =H2*100/$H$4, kemudian untuk perempuan =H3*100/$H$4. Untuk membuat
diagram batang bagi jenis kelamin maka blok G2:H4 lalu klik menu Insert , pilih diagram batang
(column) lalu pilih type diagram batang yang dikehendaki maka diagram batang akan tersaji
pada sheet excel di atas. Untuk membuat diagram lingkaran bagi jenis kelamin, blok D2:H3 lalu
klik menu Insert, pilih pie maka akan tersaji diagram lingkaran seperti tersaji pada sheet excel
di atas.

2. Analisis data dengan SPSS

Katakanlah data tersimpan pada sheet excel seperti tersaji di bawah. Data ini akan
dianalisis mengunakan SPSS. Langkah pertama yang dilakukan adalah klik Icon SPSS maka
kemudian akan muncul sheet Data View SPSS. Klik Variabel View sehingga akan muncul
sheet untuk menuliskan semua variabel pada kolom name, kemudian kolom type untuk nama
pilih string, sedangkan untuk lainnya pilih numeric.
A B C D E F G H
1 Nama Sex Umur BB TB IMT Nasi ORG
2 Teti 2 25 48 155 19.9 400 0
3 Bedi 1 30 44 165 16.2 400 2
4 Susan 2 35 36 160 14.0 400 4
5 Busro 1 40 54 165 20.0 500 0
6 Mia 2 45 46 160 17.8 500 2
7 Meri 2 48 39 162 15.0 500 4
8 Doni 1 26 61 166 22.1 600 0
9 Dika 1 53 51 170 17.7 600 2
10 Jodi 1 52 43 165 15.9 600 4

Kemudian klik Data View, copy data dari excel dan paste di sheet ini sehingga data dari excel
akan tampil di sheet Data Vie SPSS seperti tersaji di bawah. Dengan demikian berbagai
analisis dapat dilakukan, misalnya menghitung n, mean, std, min, max, membuat tabel, diagram
batang, diagram lingkaran analisis korelasi dan analisis regresi.Sebelum analisis, sangat
penting menyimpan data terlebih dahulu dengan klik icon save lalu berikan nama dan klik save.

Nama Sex Umur BB TB IMT Nasi ORG

1 Teti 2 25 48 155 19.9 400 0
2 Bedi 1 30 44 165 16.2 400 2
3 Susan 2 35 36 160 14.0 400 4
4 Busro 1 40 54 165 20.0 500 0
5 Mia 2 45 46 160 17.8 500 2
6 Meri 2 48 39 162 15.0 500 4
7 Doni 1 26 61 166 22.1 600 0
8 Dika 1 53 51 170 17.7 600 2
9 Jodi 1 52 43 165 15.9 600 4

Untuk menghitung n, mean, std, min dan max bagi Umur dan BB, tinggal klik Analyse, kursor
posisikan pada Descriptives Statistics dan klik descriptive yang disebelah kanan, maka akan
tampil suatu tampilan yang menampilkan semua variabel numeric yang bisa dipilih dengan cara
klik pada variabel umur lalu klik panah sehingga variabel umur akan pindah ke kotak sebelah
kanan, cara yang sama lakukan untuk variabel BB kemudian klik options lalu check list pada
mean, std. deviation, min dan max, klik continue dan klik Ok maka akan muncul hasil analisis
seperti tersaji di bawah:
 Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Umur 9 25.00 53.00 39.3333 10.86278

BB 9 36.00 61.00 46.8889 7.68838

Valid N (listwise) 9

Untuk membuat tabel satu arah dan diagram batang untuk jenis kelamin (sex) klik Analize
kemudian klik frequencies, pilih variabel sex, klik chart, lalu klik bar chart, klik continue dan
klik Ok maka akan dihasilkan tabel satu arah dan diagram batang. Untuk membuat diagram
lingkaran dilakukan dengan cara yang sama tapi pilih pie chart, maka akan diperoleh hasil seperti
tersaji berikut:
Sex

Cumulative
Frequency Percent Valid Percent Percent

Valid 1 5 55.6 55.6 55.6

2 4 44.4 44.4 100.0

Total 9 100.0 100.0

Untuk melakukananalisis korelasi, misalnya korelasi antara BB dan TB dilakukan dengan cara
klik Analyze lalu posisikan kursor doi correlate lalu klik Bivariate, pindahkan variabel BB dan
TB ke kotak sebelak kanan, check list pearson dan two-tailed dan klik Ok maka akan diperoleh
hasil seperti tersaji di bawah:
 Correlations

BB TB

BB Pearson Correlation 1 .395

Sig. (2-tailed) .293

N 9 9

TB Pearson Correlation .395 1

Sig. (2-tailed) .293

N 9 9

Untuk analisis regresi antara IMT sebagai variabel terikat (dependent) dengan variabel bebas
konsumsi nasi (Nasi) dan waktu olah raga (ORG) maka klik Analyze, kursor posisikan di regresi
kemudian klik linier maka akan keluar tampilan. Pada tampilan ini pindahkan variabel IMT pada
kotak dependent dan pindahkan Nasi dan ORG pada kotal independents kemudian klik Ok maka
akan diperoleh hasil analisis regresi sebagai berikut:

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .982a .965 .953 .57066

a. Predictors: (Constant), ORG, Nasi

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 53.962 2 26.981 82.853 .000a

Residual 1.954 6 .326

Total 55.916 8

a. Predictors: (Constant), ORG, Nasi

b. Dependent Variable: IMT

 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 15.806 1.203 13.138 .000

Nasi .009 .002 .306 4.006 .007

ORG -1.425 .116 -.934 -12.233 .000

a. Dependent Variable: IMT

3. Analisis Data dengan SAS

Editor window  menganalisis data
Output window 

Misalkan data yang dianalisis dengan menggunakan SPSS di atas akan dianalisis
dengan menggunakan SAS maka pertama blok data kemudian klik icon SAS sehingga muncul
editor window, paste data pada window ini kemudian tambahkan perintah-perintah yang
diperlukan sebagai berikut:

data bio;
input
Nama $ Sex Umur BB TB IMT Nasi ORG;
cards;
Teti 2 25 48 155 19.9 400 0
Bedi 1 30 44 165 16.2 400 2
Susan 2 35 36 160 14.0 400 4
Busro 1 40 54 165 20.0 500 0
Mia 2 45 46 160 17.8 500 2
Meri 2 48 39 162 15.0 500 4
Doni 1 26 61 166 22.1 600 0
Dika 1 53 51 170 17.7 600 2
Jodi 1 52 43 165 15.9 600 4
;
proc means n mean std min max;
var umur BB;
proc corr;
var BB TB;
proc reg;
model IMT=Nasi ORG;
run;

Sebelum data harus ditambahkan data bio artinya data yang tertulis di bawah disimpan
dalam file bernama bio. Kemudian input adalah suatu keyword untuk me menyimpannya dalam
variabel seperti tertera di bawahnya. Variabel nama harus diikuti tanda $ karena string. Tiap
baris perintah SAS haris diakhiri dengan tanda titik koma (;). Sebelum data harus dicantumkan
keyword cards. Pada akhir program harus ditulis run. Setelah program ditulis, program dapat
disimpan dengan mengklik icon save.

Proc means adalah suatu prosedur yang akan menghitung statistic meliputi n, mean,
std, min dan max seperti tercantum di sebelah kanan. Var adalah key wordm sementara
disebelah kanannya menunjukkan variabel yang akan dianalisis. Proc corr adalah suatu
prosedur untuk menghitung koefisen korelasi pearson dan mengujinya. Di bawahnya tertulis var
BB TB, ini berarti meminta variabel yang akan dianalisis korelasi. Berikutnya tertulis proc reg,
perintah ini adalah untuk meregresikan IMT sebagai variabel terikan dengan variabel
independent Nasi (kuantitas nasi yang dikonsumsi gram/hari) dan ORG (lamanya jalan sepat
jam/hari). Program dapat dieksekusi dengan meng klik gambar orang lari. Hasil dari program
akan ditampilkan di Output Window, sementara untuk mengecek systax SAS akan memberikan
catatan atau pesan di Log Window. Di bawah ini tersaji hasil analisis dari SAS.

The SAS System 15:41 Thursday, October 6, 2013

4

The MEANS Procedure

Variable N Mean Std Dev Minimum Maximum

ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
Umur 9 39.3333333 10.8627805 25.0000000 53.0000000
BB 9 46.8888889 7.6883751 36.0000000 61.0000000
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ

The SAS System 15:41 Thursday, October 6, 2013

5

The CORR Procedure

2 Variables: BB TB

Simple Statistics

Variable N Mean Std Dev Sum Minimum Maximum

BB 9 46.88889 7.68838 422.00000 36.00000 61.00000

TB 9 163.11111 4.37163 1468 155.00000 170.00000

Pearson Correlation Coefficients, N = 9

Prob > |r| under H0: Rho=0

BB TB

BB 1.00000 0.39463
0.2932

TB 0.39463 1.00000
0.2932

The SAS System 15:41 Thursday, October 6, 2013

6

The REG Procedure

Model: MODEL1
Dependent Variable: IMT

Number of Observations Read 9

Number of Observations Used 9

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value Pr > F

Model 2 53.96167 26.98083 82.85 <.0001

Error 6 1.95389 0.32565
Corrected Total 8 55.91556

Root MSE 0.57066 R-Square 0.9651

Dependent Mean 17.62222 Adj R-Sq 0.9534
Coeff Var 3.23827

The SAS System 15:41 Thursday, October 6, 2013

7

The REG Procedure

Model: MODEL1
Dependent Variable: IMT

Parameter Estimates

Parameter Standard
Variable DF Estimate Error t Value Pr > |t|

Intercept 1 15.80556 1.20305 13.14 <.0001

Nasi 1 0.00933 0.00233 4.01 0.0071
ORG 1
 ANALISIS DATA HASIL PERCOBAAN

Data hasil percobaan umumnya sedikit tidak seperti data hasil survey. Data
hasil percobaan sebaiknya dianalisis menggunakan pernagkat lunak statistika seperti
SPSS atau SAS. Dibawah ini disajikan data hasil percobaan yang dilakukan dengan
menggunakan Rancangan Acak lengkap, Rancangan Acak Kelompok dan Rancangan Faktorial:

Data hasil Rancangan Acak lengkap, peubah respon tekanan darah Sistolik pada lansia
(S), factor Konsumsi garam gr/hari (G) dengan tiga ulangan (U):
 U G S
1 3 120
2 3 118
3 3 121
1 6 135
2 6 138
3 6 136
1 9 160
2 9 160
3 9 163

Data hasil Rancangan Acak Kelompok, peubah respon Hb pada kelompok (K) Ibu 1=Normal,
2=Hamil dan 3=menyusui dengan Faktor konsumsi hati sapi gram/hari (S)

K S Hb
1 50 12
1 60 13
1 70 14
2 50 9
2 60 10
2 70 11
3 50 10
3 60 11
3 70 12

Data hasil Rancangan Faktorial, peubah respon Status Gizi balita zskor-BB/U (ZBBU)
dengan faktor konsumsi telur gram/hari (T) dan Konsumsi Nasi gram/hari (N) serta 2
Ulangan (U).

U T N ZBBU
1 30 250 -1.5
2 30 250 -1.4
1 30 300 -0.1
2 30 300 0.3
1 60 250 0.5
2 60 250 0.8
1 60 300 1.6
2 60 300 1.7

1. Analisis Data dengan SPSS

Jika menggunakan SPSS, maka data tersebut copy dan paste di sheet data view
setelah terlebih dahulu menuliskan variabelnya pada variable view. Untuk data hasil
Rancangan Acak lengkap klik Analyze kemudian posisikan kursor pada General Linear
Model, klik Univariate,pindahkan variabel S ke kotak Dependent Variable dan G ke
kotak Fixed Factor(s), klik Post Hoc, klik Ducan, klin continue dan klik Ok maka akan
diperoleh hasil:
 Tests of Between-Subjects Effects

Dependent Variable:S

Type III Sum of

Source Squares df Mean Square F Sig.

Model 176483.667a 3 58827.889 2.302E4 .000

G 176483.667 3 58827.889 2.302E4 .000

Error 15.333 6 2.556

Total 176499.000 9

a. R Squared = 1.000 (Adjusted R Squared = 1.000)

Duncan

Subset

G N 1 2 3

3 3 1.1967E2

6 3 1.3633E2

9 3 1.6100E2

Sig. 1.000 1.000 1.000

Means for groups in homogeneous subsets are displayed.

Based on observed means.
The error term is Mean Square(Error) = 2.556.

Untuk data hasil Rancangan Acak kelompok klik Analyze kemudian posisikan kursor
pada General Linear Model, klik Univariate,pindahkan variabel Hb ke kotak Dependent
Variable, lalu K dan S ke kotak Fixed Factor(s), klik Post Hoc, klik Ducan, klin
continue dan klik Ok maka akan diperoleh hasil:
 Tests of Between-Subjects Effects

Dependent Variable:Hb

Type III Sum of

Source Squares df Mean Square F Sig.

Model 1176.000a 5 235.200 . .

K 14.000 2 7.000 . .

S 6.000 2 3.000 . .

Error .000 4 .000

Total 1176.000 9

a. R Squared = 1.000 (Adjusted R Squared = 1.000)

SPSS tidak memberikan hasil uji lanjut duncan

Untuk data hasil Rancangan Faktorial klik Analyze kemudian posisikan kursor pada
General Linear Model, klik Univariate,pindahkan variabel ZBBU ke kotak Dependent
Variable, lalu T dan N ke kotak Fixed Factor(s), Klik model, klik Full Factorial,
klik Continue, klik Post Hoc, klik Ducan, klin continue dan klik Ok maka akan
diperoleh hasil:

Tests of Between-Subjects Effects

Dependent Variable:ZBBU

Type III Sum of

Source Squares df Mean Square F Sig.

Model 13.403a 4 3.351 122.591 .000

T 7.333 1 7.333 268.293 .000

N 3.593 1 3.593 131.463 .000

T*N .155 1 .155 5.676 .063

Error .137 5 .027

Total 13.540 9

a. R Squared = .990 (Adjusted R Squared = .982)

SPSS tidak menyajikan hasil uji lanjut Duncan

2. Analisis Data dengan SAS
Jika menggunakan SAS maka data RAL, RAK dan Faktorial di Copy Paste ke Editor
Window dan ditambah perintah-perintah membaca data dan analisis sebagai berikut:
data ral;
input
U G S;
cards;
1 3 120
2 3 118
3 3 121
1 6 135
2 6 138
3 6 136
1 9 160
2 9 160
3 9 163
;
proc anova;
class G;
model S=G;
means G/duncan;
data Rak;
input
K S Hb ;
cards;
1 50 12
1 60 13
1 70 14
2 50 9
2 60 10
2 70 11
3 50 10
3 60 11
3 70 12
;
proc anova;
class K S;
model Hb=K S;
means K S/duncan;
data faktoral;
input
U T N ZBBU;
cards;
1 30 250 -1.5
2 30 250 -1.4
1 30 300 -0.1
2 30 300 0.3
1 60 250 0.5
2 60 250 0.8
1 60 300 1.6
2 60 300 1.7
;
proc anova;
class T N;
model ZBBU=T N T*N;
means T N/duncan;
run;

Program SAS di atas memberikan hasil sebagai berikut:

The ANOVA Procedure
Class Level Information
Class Levels Values
G 3 3 6 9

Number of Observations Read 9

Number of Observations Used 9

The ANOVA Procedure

Dependent Variable: S
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 2 2594.666667 1297.333333 507.65 <.0001
Error 6 15.333333 2.555556
Corrected Total 8 2610.000000
R-Square Coeff Var Root MSE S Mean
0.994125 1.150080 1.598611 139.0000

Source DF Anova SS Mean Square F Value Pr > F

G 2 2594.666667 1297.333333 507.65 <.0001

The ANOVA Procedure

Duncan's Multiple Range Test for S

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 2.555556

Number of Means 2 3
Critical Range 3.194 3.310

Means with the same letter are not significantly different.

Duncan Grouping Mean N G

A 161.000 3 9
B 136.333 3 6
C 119.667 3 3

The ANOVA Procedure

Class Level Information

Class Levels Values

K 3 1 2 3
S 3 50 60 70

Number of Observations Read 9

Number of Observations Used 9

The ANOVA Procedure

Dependent Variable: Hb

Sum of
Source DF Squares Mean Square F Value Pr > F
Model 4 20.00000000 5.00000000 Infty <.0001
Error 4 0.00000000 0.00000000
Corrected Total 8 20.0000000

R-Square Coeff Var Root MSE Hb Mean

1.000000 0 0 11.33333

Source DF Anova SS Mean Square F Value Pr > F

K 2 14.00000000 7.00000000 Infty <.0001
S 2 6.00000000 3.00000000 Infty <.0001

The ANOVA Procedure

Duncan's Multiple Range Test for Hb

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 4
Error Mean Square 0

Number of Means 2 3
Critical Range 0 0
 Means with the same letter are not significantly different.
Duncan Grouping Mean N K
A 13.00 3 1
B 11.00 3 3
C 10.00 3 2

The ANOVA Procedure

Duncan's Multiple Range Test for Hb

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.

Alpha 0.05
Error Degrees of Freedom 4
Error Mean Square 0

Number of Means 2 3
Critical Range 0 0

Means with the same letter are not significantly different.

Duncan Grouping Mean N S
A 12.33 3 70
B 11.33 3 60
C 10.33 3 50

The ANOVA Procedure

Class Level Information

Class Levels Values

T 2 30 60
N 2 250 300

Number of Observations Read 8

Number of Observations Used 8

The ANOVA Procedure

Dependent Variable: ZBBU
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 3 10.06375000 3.35458333 99.40 0.0003
Error 4 0.13500000 0.03375000
Corrected Total 7 10.19875000

R-Square Coeff Var Root MSE ZBBU Mean

0.986763 77.35231 0.183712 0.237500

Source DF Anova SS Mean Square F Value Pr > F

T 1 6.66125000 6.66125000 197.37 0.0001
N 1 3.25125000 3.25125000 96.33 0.0006
T*N 1 0.15125000 0.15125000 4.48 0.1017

The ANOVA Procedure

Duncan's Multiple Range Test for ZBBU

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 4
Error Mean Square 0.03375

Number of Means 2
Critical Range .3607

Means with the same letter are not significantly different.

Duncan Grouping Mean N T

A 1.1500 4 60
B -0.6750 4 30

The SAS System

15:41 Thursday, October 6, 2013 23
 The ANOVA Procedure

Duncan's Multiple Range Test for ZBBU

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 4
Error Mean Square 0.03375

Number of Means 2
Critical Range .3607

Means with the same letter are not significantly different.

Duncan Grouping Mean N N
A 0.8750 4 300
B -0.4000 4 250
 ANALISIS DATA UNTUK MERANCANG MENU

Salah satu kesulitan utama dalam merancang menu adalah apabila dikehendaki bahwa menu yang dibuat
memenuhi angka kecukupan gizi, sesuai selera (food habit) dan relative terjangkau atau sesuai dengan
kondisi keuangan. Persoalan ini sulit diselesaikan dengan cara trial and error karena banyaknya
persyaratan yang diberikan. Persoalan ini dapat diselesaikan dengan menggunakan pendekatan Goal
Programming. Goal programming sebenarnya adalah merupakan teknik untuk mengoptimalkan fungsi tujuan dari
beberapa fungsi tujuan dalam linear programming. Jadi dalam hal ini pendekatan yang digunakan adalah
meminimalkan penyimpangan dari tiap fungsi tujuan atau bisa juga constraint yang ada di dalam model.
Dalam goal programming feasible solution lebih mudah didapatkan dibandingkan pada liniear programming
karena yang diminimalkan penyimpangannya, sedangkan dalam liniear programming sering dijumpai not feasible
solution karena sulit adanya intersection di antara banyak constraint.

Dalam merancang menu, data tentang food habit sangat penting agar solusi yang diberikan oleh model
memiliki daya terima yang relative tinggi. Food habit dapat diperoleh dari laporan-laporan penelitian.
Data utama dari food habit adalah sebaran kuantitas konsumsi pangan yang sering dikonsumsi. Kuartil 1 dan
kuartil 3 dapat dipertimbangkan sebagai batas bawah dan batas atas dari pangan yang akan direkomendasikan
dalam menu. Data penting lainnya adalah Angka kecukupan Gizi (AKG), AKG akan memberikan kategori
individu yang akan dibuatkan menunya. Pendekatan pengkategorian individu bisa menggunakan tabel AKG. Dari
Tabel AKG individu kategori 1 adalah bayi usia 6 bulan sampai satu tahun, bayi usia 0 sampai 6 bulan tidak
perlu dibuatkan menu karena dianjurkan ASI eksclusive sehingga tidak perlu dikategorikan. Katgori ke dua
adalah anak usia 1 sampai 3 tahun, kategori ke tiga adalah anak usia 4 sampai 6 tahun dan seterusnya.
Pengkategorian untuk individu dengan usia 10 tahun ke atas menggunakan jenis kelamin (laki-laki dan
perempuan) dan fisiologi bagi wanita (hamil, menyusui). Daya beli individu sangat penting karena walaupun
menu yang dibuat memenuhi AKG dan disukai oleh individu, tapi apabila tidak terjangkau menu tersebut tidak
bisa dikonsumsi. Dalam model, data keterjangkauan ini dapat didekati dengan besaran alokasi dana untuk
pangan per orang (individu bersangkutan) per hari.

Di bawah ini akan diberikan contoh merancang menu bagi pria dewasa usia 50 tahun berat badan 62 Kg
dan tinggi badan 165 cm. Menurut Tabel AKG, Angka kecukupan energinya sebesar 2250 K kal dan angka
kecukupan proteinnya 60 gram. Ia mengkonsumsi nasi antara 2 sampai 5 piring sehari dan mengkonsumsi telur
ayam antara satu sampai tiga butir sehari. Dana yang dialokasikan untuk pangan per hari sebesar Rp 15000.
Jika ia hanya akan mengkonsumsi nasi dan telur dalam suatu hari, tentukan kuantitas nasi dan telur
agar konsumsi energy dan protein relative mendekati angka kecukupannya, dalam batas kebiasaan pangan
serta relative terjangkau.

Dari persoalan di atas variabel keputusannya ada dua yaitu kuantitas nasi ons/hari (X1) dan
kuantitas telur ons/hari (X2) yang akan dikonsumsi. Dari tabel DKBM (Daftar Komposisi Bahan Makanan)
diketahui bahwa 1 ons nasi mengandung 178 K Kal (BDD nasi 100 %) dan 2.1 gram protein, sedangkan 1 ons
telur mengandung 162 K kal dan 12.8 gram protein (BDD telur 90 %). Dengan demikian maka kuantitas energy
dan protein dari dua pangan ini adalah sebagai berikut:

Energi (K kal) : 178X1 +0.9(162)X2 + db1* – da1* = 2250

Protein (gram) : 2.1X1 + 0.9(12.8) +db2* – da2* = 60

db1 adalah penyimpangan bawah yaitu apabila energy dari kedua pangan kurang dari 2250 K kal, sedangkan da1
adalah penyimpangan atas yaitu apabila energy dari ke dua pangan lebih dari 2250 K kal. Penyimapangan db2
dan da2 adalah untuk protein apabila kurang atau lebih dari 60 gram protein. Selanjutnya kebiasaan makan
nasi sehari antara dua sampai 5 piring dapat dikonversi ke gram yaitu dengan menggunakan URT bahwa 1 pring
nasi beratnya sekitar 2 ons, dan kebisaan makan telur satu sampai tiga butir sehari juga dikonversi ke
gram dengan menggunakan konversi bahwa 1 butir telur beratnya sekitar 0.6 ons sehingga diperoleh
constraint:

untuk nasi : 4 ≤ X1 ≤ 10 dan untuk telur 0.6 ≤ X2 ≤ 1.8

Contraint dana dapat dirumuskan jika harga nasi dan harga telur diketahui. Misalnya harga nasi per ons Rp
1000 (harga dasar beras Rp 10000/Kg), harga telur Rp 2000/ons. Dengan demikian constraint alokasi dana
adalah sbb:

Constraint Dana : 1000X1 + 2000X2 +db3* – da3* = 15000

Db3 adalah penyimpangan bawah yaitu apabila dana untuk nasi dan telur di bawah 15 000 rupiah dan da3
adalah penyimpangan atas yaitu apabila dana untuk kedua pangan melebihi 15 000 rupiah. Dalam goal
programming fungsi tujuannya adalah meminimalkan total semua penyimpangan bawah dan atas sebagai berikut:

Minimalkan Z*=db1* + da1* + db2* +db2* + db3* + da3*

Agar ada keseimbangan maka persamaan diatas yaitu energy, protein dan dana, sisi kanannya dibuat satu,
hal ini dimaksudkan agar besaran X1 dan X2 tetap logis tidak dipengaruhi oleh besaran angka disisi kanan.
Dengan demikian maka formulasi goal programming untuk masalah penyusunan menu adalah menjadi sebagai
berikut:
Fungsi Tujuan:

Minimalkan Z=db1 + da1 + db2 +db2 + db3 + da3

Constraint (kendala)

1. Angka Kecukupan Gizi:

Energi (K kal) : ( 178X1 +0.9(162)X2)/2250 + db1 – da1 = 1

Protein (gram) : (2.1X1 + 0.9(12.8)X2)/60 +db2 – da2 = 1

2. Food Habit:
nasi : 4 ≤ X1 ≤ 10 dan
telur: 0.6 ≤ X2 ≤ 1.8

3. Alokasi Dana:

(1000X1 + 2000X2)/15000 +db3 – da3 = 1

Restriction: x1≥0 dan X2≥0.

Model Goal programming di atas dapat ditulis dalam excel sebagai berikut:

_ident_ X1 X2 db1 d1 db2 da2 db3 da3 _Type_ _RHS_

Z 0 0 1 1 1 1 1 1 min 0
energi 0.079111 0.0648 1 -1 0 0 0 0 eq 1
protein 0.035 0.192 0 0 1 -1 0 0 eq 1
dana 0.066667 0.133333 0 0 0 0 1 -1 eq 1
batasb 4 0.6 0 0 0 0 0 0 lowerbd 0
batasa 10 1.8 99 99 99 99 99 99 upperbd 0

Selanjutnya tabel ini copy paste ke SAS kemudian ditambah baris-baris perintah sehingga dapat diperoleh
solusinya sebagai berikut:

data menu;
input
_ident_ $ X1 X2 db1 d1 db2 da2 db3 da3 _Type_ _RHS_;
If _RHS_=0 then _RHS_=.;
Cards;
Z 0.0000 0.0000 1 1 1 1 1 1 min 0
Energy 0.0791 0.0648 1 -1 0 0 0 0 eq 1
protein 0.0350 0.1920 0 0 1 -1 0 0 eq 1
dana 0.0667 0.1333 0 0 0 0 1 -1 eq 1
batasb 4.0000 0.6000 0 0 0 0 0 0 lowerbd 0
batasa 10.0000 1.8000 99 99 99 99 99 99 upperbd 0
;
proc lp;
run;

Hasil dari pro LP adalah sebagai berikut:

The SAS System

15:41 Thursday, October 6, 2013 25

The LP Procedure

Problem Summary

Objective Function Min _OBS1_

Rhs Variable _RHS_
Type Variable _Type_
Problem Density (%) 50.00
 Variables Number

Upper and Lower Bounded 8

Total 8

Constraints Number

EQ 3
Objective 1

Total 4

The SAS System

15:41 Thursday, October 6, 2013 26

The LP Procedure

Solution Summary

Terminated Successfully

Objective Value 0.48982

Phase 1 Iterations 5
Phase 2 Iterations 0
Phase 3 Iterations 0
Integer Iterations 0
Integer Solutions 0
Initial Basic Feasible Variables 5
Time Used (seconds) 0
Number of Inversions 2

Epsilon 1E-8
Infinity 1.797693E308
Maximum Phase 1 Iterations 100
Maximum Phase 2 Iterations 100
Maximum Phase 3 Iterations 99999999
Maximum Integer Iterations 100

The SAS System

15:41 Thursday, October 6, 2013 27

The LP Procedure

Solution Summary

Terminated Successfully

Time Limit (seconds) 120

The SAS System

15:41 Thursday, October 6, 2013 28

The LP Procedure

Variable Summary

Variable Reduced
Col Name Status Type Price Activity Cost

1 X1 UPPBD UPLOWBD 0 10 -0.1808

2 X2 UPPBD UPLOWBD 0 1.8 -0.3901
3 db1 BASIC UPLOWBD 1 0.09236 0
4 d1 UPLOWBD 1 0 2
5 db2 BASIC UPLOWBD 1 0.3044 0
6 da2 UPLOWBD 1 0 2
7 db3 BASIC UPLOWBD 1 0.09306 0
8 da3 UPLOWBD 1 0 2

The SAS System

15:41 Thursday, October 6, 2013 29

The LP Procedure
 Constraint Summary

Constraint S/S Dual

Row Name Type Col Rhs Activity Activity

1 _OBS1_ OBJECTVE . 0 0.48982 .

2 _OBS2_ EQ . 1 1 1
3 _OBS3_ EQ . 1 1 1
4 _OBS4_ EQ . 1

Input -- > memrintahkan konputer untuk memasukkan data, diakhiri dengan tanda titik koma yang mengartikan
sebagai pengakihir suatu perintah, setelah data elelsai harus diakhiri juga dengan titik koma.
Jika var tidak dicantumkan maka semua variable dihitung, jika terdapat VAR maka kita dapat memilih varibel
yang akan dihitung.
Procc corr  jika tidak ditulis berarti spearmen

- Jika variabel nya banyak

IMT Nasi
BB
Tb
Proc corr;
Var BB, TB, with IMT Nasi;
Run;

Covariate pada SPss  peubah penganggu

DUNCAN uji lanjut tidak ada pada spss