MANAJEMEN DATA

MANAJEMEN DATA

Slide-1: Judul materi

Pendahuluan (Slide-2)

Data memegang peranan penting dalam suatu penelitian. Bila jumlah data atau sampel
yang dikumpulkan kurang dari data atau sampel minimal yang harus dikumpulkan,
maka hasilnya akan mengurangi makna ‘representativeness’ dan penarikan kesimpulan
suatu penelitian. Begitu pula bila data yang dikumpulkan kualitasnya tidak baik atau
tidak memenuhi kualifikasi yang ditentukan, maka hasil yang didapat akan bias.

Untuk menghasilkan data sesuai dengan yang diinginkan, sangat diperlukan

pemahaman cara perlakuan data sejak persiapan sampai dengan proses analisis.

Slide-3: Tujuan pembelajaran

Manajemen Data (Slide-4)

Analisis data dapat dilakukan jika data sudah dinyatakan bersih. Anjuran ini penting
karena data yang salah atau kurang baik bila dianalisis akan menghasilkan informasi
yang keliru, sehingga pengambilan kesimpulan dan rekomendasi yang diberikan dapat
menyesatkan. Untuk itu sebelum analisis perlu ditempuh pengelolaan atau manajemen
data yang baik.

Manajemen data merupakan suatu proses dari persiapan data, penanganan,

dokumentasi, penyimpanan, serta analisis. Tujuannya adalah untuk membuat data base
yang berkualitas.

Dalam persiapan data ada beberapa langkah utama yang harus dilakukan
yaitu:

1
- Mempersiapkan perlengkapan untuk proses data (komputer, ruangan dsb)
- Membuat program untuk mengentri data
- Pembukuan kuesioner
- Mengedit, mengkoding
- Mengentri data
- Membersihkan data
Bagan 1. Tahap persiapan data

Setiap proses diatas memerlukan perhatian sungguh-sungguh, penjelasan lebih rinci

sebagai berikut:

Mempersiapkan perlengkapan untuk proses data

Sebelum memutuskan menggunakan komputer harus yakin ada tenaga yang

mampu mengoperasikan. Persiapan jumlah komputer seharusnya disesuaikan dengan

jumlah sampel dalam penelitian, berapa jumlah jam kerja dari setiap operator per

minggu dan jadwal dari penelitian. Perkiraan berapa banyak jumlah komputer dan

2
operator yang dibutuhkan untuk menyelesaikan entri data, dapat dihitung dengan

contoh sebagai berikut: seandainya untuk menyelesaikan entri data satu kuesioner/RT

dibutuhkan 20 menit, jumlah sampel RT adalah 4500 RT, waktu yg dibutuhkan untuk

entri data adalah 90.000 menit atau 1500 jam. Jika setiap operator bekerja 40 jam/per

minggu, dan pekerjaan entri data harus selesai dalam 8 minggu maka dibutuhkan 5

komputer dan 5 orang operator. Jika memungkinkan untuk kegiatan proses data diatas

disediakan ruangan khusus untuk network dan untuk memudahkan pengecekan hasil

dari entri data.

Membuat program untuk mengentri data

Ada beberapa jenis program yang banyak digunakan di bidang kesehatan untuk
memproses data seperti: Epi info, Foxpro, Visual Basic, ISSA (Integrated System For
Survey Analysis), atau CS Pro.
Epi info yang dibuat oleh CDC Atlanta, banyak digunakan di bidang kesehatan
akan tetapi dalam pembuatan template, tampilannya tidak sama seperti kuesioner
terutama untuk format landscape, disamping itu adanya keterbatasan jumlah record.
Template untuk data entri dengan memakai program ISSA atau CS Pro
tampilannya dapat sama seperti kuesioner serta mempunyai kemampuan untuk
menampung variabel dan jumlah record lebih banyak dibanding Epi-info. Oleh sebab
itu program ISSA atau CS Pro sering digunakan untuk memproses data besar seperti
Survei Demografi Kesehatan Indonesia, Sensus Penduduk, Susenas.
Program entri yang telah dikembangkan/dibuat perlu diuji coba dahulu
sebelum digunakan. Untuk mengurangi terjadinya kesalahan pada waktu entri data,
program entri dapat dibuat fasilitas double entri .

Pembukuan kuesioner/ penomoran (Slide-7)

Sebelum data diedit, terlebih dahulu dilakukan pembukuan kuesioner
(Receiving Batching) untuk mengetahui masuk dan keluarnya kuesioner. Penomoran
kuesioner tujuannya untuk mengetahui jumlah kuesioner sebelum data di entri dan
memudahkan dalam penelusuran kembali dalam kegiatan validasi. Proses ini

3
dimaksudkan untuk mengetahui kelengkapan dokumen data yang diperlukan sesuai
dengan rencana.
Kegiatan pembukuan kuesioner dengan menggunakan buku kontrol sebagai berikut:
- Mencatat asal kuesioner (Kecamatan, Desa)
- Memberi nomor urut kuesioner
- Mencatat tanggal kuesioner diterima
- Mencatat jumlah kuesioner yang diterima
- Mencocokkan kuesioner yang diterima apakah sesuai dengan sampel
- Memeriksa kelengkapan kuesioner yang diterima (misal kuesioner harus dilengkapi
buku hasil pemeriksaan laboratorium)
- Mendistribusikan kuesioner ke tim editing dan pengentri
- Menyimpan kembali kuesioner yang sudah selesai di entri

Edit data (Slide-9)

Kegiatan editing data dimaksudkan untuk memeriksa data apakah semua
jawaban terisi, apakah isi jawaban sesuai dengan pertanyaan, adakah jawaban yang
tidak jelas, terdapat kesalahan pengisian (inkonsistensi jawaban/ jawaban tidak logis),
adakah kesalahan dalam penjumlahan.

Editing seharusnya dilakukan langsung saat selesai wawancara maupun

setelah terkumpul di tempat penanganan data di pusat. Editing di lapangan dilakukan
oleh supervisor sedangkan editing di pusat oleh tim pengolah data.

Tujuan editing ini adalah untuk melakukan pengecekan isian formulir atau
kuesioner atas hal-hal sebagai berikut:

 Apakah semua pertanyaan sudah lengkap terisi jawabannya

 Apakah jawaban yang tertulis sudah jelas terbaca
 Apakah jawaban yang ada relevan dengan pertanyaan
 Apakah ada konsistensi jawaban atas beberapa pertanyaan yang berkaitan.

Di tingkat lapangan, editing sebaiknya dilakukan oleh supervisor atau

penanggung jawab lapangan. Bila terdapat ketidaklengkapan jawaban, ketidakjelasan

jawaban, ada jawaban yang tidak relevan atau jawaban yang ada tidak konsisten

4
dengan jawaban lain, supervisor dapat menanyakan kembali kepada tenaga pengumpul

data atau pewawancara. Sebagai contoh bila dalam kuesioner terisi umur responden

adalah 6 tahun tapi mempunyai status kawin atau pendidikannya tamat SLTP, maka

supervisor harus menanyakan kembali atau mengembalikan kuesioner tersebut kepada

petugas pengumpul data untuk diperbaiki.

Jika editing di lapangan dilakukan dengan baik dan benar maka peran editing di

pusat tidak terlalu berat. Editing di pusat difokuskan untuk mengedit kelengkapan

jawaban, konsistensi jawaban dan keseragaman dalam ukuran. Untuk keperluan

editing perlu dibuat pedoman editing agar editor dapat menindak lanjuti/mengambil

tindakan sesuai dengan pedoman yang dibuat.

Koding (Slide-10)

Setelah tahap editing selesai maka kegiatan koding dapat segera dimulai.

Koding adalah mentransfer jawaban pada kuesioner ke kode-kode yang sudah

ditetapkan. Ada 2 macam kode yang lazim dipakai yaitu a) kode berdasarkan angka,

b) kode berdasarkan huruf.

Sebagai pedoman untuk memindahkan jawaban responden dari kuesioner ke

lembar kode atau file komputer perlu dibuat buku kode. Buku kode juga digunakan

oleh pengguna untuk mengidentifikasikan variabel yang akan dipakai dalam proses

analisis dan juga untuk membaca hasil analisis.

Buku kode biasanya berisi:

 Nomor halaman kuesioner. Ini penting, karena halaman kuesioner yang

memuat pertanyaan yang akan dikode dapat diketahui dengan cepat dan mudah

 Nomor pertanyaan. Merujuk nomor urut pertanyaan sesuai yang ada di

kuesioner

5
  Nama variabel. Nama variabel dibuat singkat tetapi jelas tidak diperbolehkan
ada nama variabel yang sama.

 Variabel label . Nama/ keterangan lebih lengkap dari variabel

 Value adalah simbol berupa angka atau huruf yang mewakili jawaban
responden

 Value label adalah keterangan dari simbol

 Type adalah jenis data atau ukuran data numerik atau karakter

 Width yaitu menunjukkan lebar kolom yang digunakan masing masing

variabel
Contoh : Buku kode untuk pengolahan dengan komputer

Hal Nomor Nama Variabel Type Width Valu Value label

e
kues Pertanyaa Variabe label
n l
1 1 UMUR Umur Numerik 2 -
responden
1 2 DIDIK Jenjang Numerik 1 1 Tamat SD
pendidika 2 Tamat SLTP
n
3 Tamat SLTA
2 3 KB Keikut Numerik 1 1 Ya
sertaan 2 Tidak
KB
2 6 TPH Tempat Karakter A RS Pem
periksa B Puskesmas
hamil C RS Swasta
D Praktek dokter
E Praktek Bidan
F Polindes
X Lainnya

6
 Entri data (Slide-12)

Yang dimaksud entri data yaitu memindahkan jawaban responden yang tertulis
dalam ke dalam file elektronik melalui program entri yang sudah disiapkan. Pada file
elektronik jawaban dari satu responden dimasukkan menjadi satu record. Satu record
terdiri dari beberapa field/ variabel, dimana satu field biasanya merupakan satu
jawaban pertanyaan. Field atau variabel inilah yang selanjutnya akan dianalisis.

Contoh : hasil entri dari keterangan ART

Field atau Variabel

Record ID HubART Sex Umur Stkwn

3215 22 111527 1 1 1 58 2
3215 22 111527 2 2 2 54 2
3215 22 111527 3 3 2 20 1
………………..

 Record pertama: ID = 3215 22 111527 1, HubART=1 (Kepala rumah tangga),

Sex=1 (laki laki), umur = 58 tahun, Stkwn =2 (Kawin).

 Record kedua : ID =3215 22 111527 2, HubART = 2 ( Istri), Sex =2

(Perempuan), umur = 54 tahun, Stkwn = 2 (Kawin)

 Record ketiga : ID =3215 22 111527 3, HubART = 3 (Anak), Sex =2

(Perempuan), umur = 20 tahun, Stkwn = 1 (Belum kawin); dan seterusnya

Nomor ID (identitas) sangat penting, dapat meliputi kode Pengenalan Tempat:

kode propinsi, kabupaten, kode kecamatan, kode desa/kelurahan, kode klasifikasi
desa/kelurahan , nomor kode sampel , nomor urut sampel rumah tangga.

Pengentri data sebaiknya tenaga yang sudah berpengalaman dalam entri data
dan sudah terbiasa dengan program yang digunakan, minimal mereka sudah biasa
menggunakan komputer. Sebelum mengentri data, kepada setiap operator harus di beri
pelatihan terlebih dahulu. Dalam pelatihan dijelaskan tentang tujuan dari survei dan
contoh kuesioner yang akan dientri termasuk penjelasan mengenai isi dan alur dari
kuesioner tersebut. Dalam mengentri data, operator tidak diperkenankan berhenti
sebelum satu kuesioner selesai di entri. Artinya mereka harus menyelesaikan entri data
secara runtut sampai tuntas dari pertanyaan nomor 1 sampai nomor terakhir pada
kuesioner tersebut.

7
 Dalam pengentrian data, perlu pula dilakukan cross-check untuk meminimalkan
kesalahan. Jadi sebaiknya dilakukan double entri yaitu dientri kembali yang
dikerjakan oleh pengentri yang berbeda, kemudian dibandingkan hasil keduanya.
Penanggung jawab data harus selalu memonitor pekerjaan pengelolaan data

mulai dari kuesioner diterima dari lapangan, didistribusikan untuk diedit/dientri hingga

diarsipkan dan mempersiapkan data untuk dilakukan analisis lebih lanjut. Penanggung

jawab data juga berwenang memutuskan kuesioner /data yang tidak layak untuk

diproses lebih lanjut berdasarkan kriteria yang telah ditetapkan.

Penggabungan data

Seringkali file data mentah (row data) terdiri dari beberapa data set. Hal ini biasanya
disebabkan karena keterbatasan kemampuan database menampung jumlah variabel.
Sebagai contoh dalam file berekstention *.dbf, maksimal hanya menampung sekitar
255 field. Sehingga jika melebihi jumlah tersebut harus disimpan dalam beberapa file,
dan perlu dilakukan penggabungan data (merging). Penggabungan data demikian dapat
dilakukan melalui bantuan software komputer dengan cara melakukan ‘add variables’

Satu data set penelitian, juga dapat saja terpisah-pisah karena data dimasukkan (data
entry) dilakukan oleh beberapa orang, sehingga untuk mendapatkan satu kesatuan
sampel penelitian perlu dilakukan penggabungan. Cara ini dalam program SPSS
menggunakan cara ‘add cases’ atau dalam program dBase menggunakan ‘append’.

Pembersihan data/ cleaning data (Slide-13)

Setelah selesai memasukan semua data, tahap selanjutnya adalah pembersihan

data (cleaning). Proses ini dilakukan sebelum analisis data sehingga pada saat analisis

data sudah tidak ditemukan lagi kesalahan data.

Untuk variabel dengan skala nominal atau ordinal, proses pembersihan data

dapat dilakukan dengan menampilkan frekuensi distribusi dari semua variabel apakah

ada nomor kode yang berada diluar batas kategori kode yang telah ditetapkan. Jika ada

8
missing value dilakukan pemeriksaan apakah missing value tersebut diakibatkan dari

perintah skip ketika entri data atau kesalahan entri. Untuk variabel dengan skala rasio

atau interval, proses pembersihan data diprioritaskan pada data ekstrim yang biasa

disebut pencilan atau outlier yang dapat diketahui dari boxplot dan scaterplot. Data

outlier atau pencilan adalah data yang secara nyata berbeda dengan data-data yang lain

atau data yang tidak mencerminkan sebaran data yang sesungguhnya.

Data outlier terjadi karena beberapa sebab yaitu kesalahan dalam pemasukan

data, kesalahan dalam pengambilan sampel, memang ada data-data ekstrim yang tidak

bisa dihindarkan keberadaannya. Keputusan untuk menghilangkan atau

mempertahankan data outlier tergantung kepada pengguna, dengan alasan masing-

masing. Untuk mengetahui data outlier dapat dilakukan dengan menampilkan

scatterplot atau boxplot

Gambar 1. Boxplot Gambar 2. Scaterplot

40
120
130

679
274
100
552
267
411
566
694
485
181
587
530
519
119
737
299
379
57
451
124
37
536
325
359
297

30
80

60

20
40

20
P402A

10
0
N= 737
10 20 30 40
P403A

P403A

Beberapa cara pembersihan data (data cleaning) antara lain sbb.

a) Mengetahui missing data

Cara mendeteksi adanya missing data adalah dengan cara melakukan list atau
membuat distribusi frekuensi dari suatu variabel. Dengan cara itu peneliti dapat
mengetahui apakah ada data missing atau tidak dan berapa jumlahnya.
b) Mengetahui variasi data
Untuk mengetahui variasi data variabel dapat dilakukan dengan membuat
distribusi frekuensi. Dengan cara ini dapat diketahui apakah kode variabel tersebut

9
 sesuai dengan yang tercatat dalam buku kode, atau ada nilai lain. Dengan
distribusi frekuensi juga dapat terlihat nilai-nilai pencilan/ekstrim.
c) Mengetahui konsistensi data
Untuk mengetahui konsistensi data dapat dilakukan dengan cara membandingkan
2 tabel atau membuat tabel silang. Misalnya untuk mengetahui variasi jenis
pemanfaatan sarana pelayanan kesehatan, peneliti dapat membuat distribusi
frekuesi dari 2 variabel, yaitu variabel pengalaman sakit dalam 1 bulan terakhir
dan variabel kemana responden berobat. Jumlah yang mencari pengobatan harus
sama dengan jumlah yang sakit

Jika missing data bukan disebabkan oleh perintah skip seperti responden tidak

memberikan jawaban pada suatu variabel atau adanya nilai outlier yang tidak melebihi

10% perlu dipertimbangkan untuk melakukan imputasi. Imputasi dilakukan apabila

jumlah missing data mengganggu proses analisis selanjutnya. Sebagai contoh pada

data penghasilan responden, karena alasan pribadi bisa saja sebagian responden tidak

mau menjawab berapa penghasilannya setiap bulan. Hal ini berakibat ada data kosong

pada kolom penghasilan di beberapa record. Kalau jumlah record yang kosong relatif

banyak maka keadaan ini akan mengganggu proses analisis sehingga perlu dilakukan

imputasi. Yang dimaksud dengan imputasi yaitu mengisi sel (data) yang missing

tersebut dengan nilai tertentu yang dianggap bisa mendekati kenyataan sebenarnya.

Cara mengisi data yang missing bisa bermacam-macam, mengisi dengan nilai modus,

nilai median atau rata-rata. Selain itu variabel yang akan diimputasi harus

mempertimbangkan variabel lain yang terkait.

Membuat file kerja dan variabel baru (Slide-15)

Dalam melakukan analisis lebih praktis dengan menggunakan file data yang
tidak terlampau besar. Untuk itu perlu dibuat “subset data” dari data induknya. Dalam
membuat file subset data dimungkinkan menggabung data dari beberapa file. File
subset data dibentuk berdasarkan variabel-variabel yang hanya diperlukan dalam
proses analisis.

10
 Pada analisis data seringkali diperlukan pembuatan variabel baru dengan
melakukan transformasi data. Variabel baru tersebut dapat berasal dari satu atau
beberapa variabel asli yang sudah digabung sesuai dengan kebutuhan. Sebaiknya
setelah membuat variabel baru tersebut langsung disimpan dengan tetap
mempertahankan variabel asli pada file subset data, sehingga memudahkan jika akan
digunakan kembali.

Perencanaan analisis data

Untuk dapat melakukan analisis data sesuai dengan tujuan penelitian, sebaiknya
seorang peneliti membuat rencana analisis, baik secara bivariat maupun multivariat.
Buatlah ‘dummy table’ sehingga pada waktu menganalisis data lebih terarah. Untuk
dapat melakukan hal tersebut seorang peneliti harus memeriksa kembali variabel-
variabel apa yang tersedia dan variabel-variabel apa yang dibutuhkan. Apakah perlu
ada pengelompokkan atau manipulasi data.

Pengertian manipulasi data dalam uraian ini adalah bagaimana melakukan

transformasi atau memodifikasi data yang ada/terekam menjadi siap untuk dianalisis
sesuai dengan rencana. Data yang terekam seringkali tidak dapat langsung dianalisis
sehingga perlu dimanipulasi. Beberapa cara manipulasi data adalah sebagai berikut.

a) Mengelompokkan data
Untuk keperl Pengelompokkan juga dapat berasal dari data kategorik ‘banyak’
menjadi data kategorik ‘sederhana’. Misalnya umur yang tadinya numerik atau
kontinyu menjadi kategorik berupa kelompok umur 4 kelompok umur (<20 tahun;
20-20 tahun; 30-39 tahun; >=40 tahun). Atau misalnya pendidikan yang pada data
awal terdiri dari 7 kategori akan dibuat menjadi 2 kategorik, yang pendidikan
tinggi (>=tamat SLTP) dan rendah (<=tamat SD).
b) Membuat variabel baru
Untuk analisis tertentu membuat ukuran tertentu, seringkali peneliti harus
menggabungkan 2 atau lebih variabel. Misalnya untuk membuat variabel indks
massa tubuh (IMT), peneliti membuat variabel baru yang menggabungkan variabel
berat badan dan tinggi badan. Pembuatan variabel baru ini dapat secara
menyeluruh (berlaku untuk seluruh responden atau semua kelompok umur) atau
hanya pada kondisi tertentu (misalnya hanya untuk usia >=15 tahun).

11
 MANAJEMEN DATA MENGGUNAKAN SPSS

I. PENDAHULUAN

Saat ini sudah banyak program komputer yang dapat dipergunakan untuk mengolah
data, diantaranya Statistical Package for the Social Sciences (SPSS). Kelebihan dari SPSS
dibandingkan dengan program pengolah data lain yaitu dapat menampung variabel yang lebih
banyak serta mampu menganalisis multivariat.
Dahulu rancangan SPSS hanya dipergunakan untuk menganalisis data survei yang
diambil secara Simple Random Sampling (SRS), yaitu setiap observasi mempunyai peluang
yang sama untuk terwakili sebagai sampel. Desain tersebut sangat sulit dilakukan untuk survei
dengan jumlah sampel yang besar karena membutuhkan biaya yang besar. Keterbatasan ini
dapat diatasi dengan cara stratifikasi atau klaster untuk pengambilan sampel. Analisis data dari
hasil rancangan pengambilan sampel secara stratifikasi dan klaster berbeda dengan cara
analisis data dari hasil pengambilan sampel secara SRS. Program SPSS versi terbaru
mempunyai fasilitas menghitung weighting, Primary Sampling Unit (PSU) dan strata, dimana
hal tersebut digunakan pada saat pengambilan sampel non SRS. Program SPSS versi lama
dapat digunakan tetapi hanya mempunyai fasilitas pembobotan (weighting) untuk masing-
masing observasi dengan mempertimbangkan perkiraan/ estimasi jumlah populasi.
Dalam mempergunakan perangkat lunak analisis, selain keterampilan juga diperlukan
pemahaman terhadap data. Untuk menghasilkan analisis yang tajam, kelengkapan data menjadi
bagian yang sangat penting.

1.1. Sasaran
Panduan praktikum komputer dengan program SPSS versi 15 ini ditujukan bagi calon
peneliti yang sedang mempersiapkan analisis data berbasis survei.

1.2. Tujuan
Tujuan dari panduan ini yaitu sebagai pedoman aplikasi pengolahan data survei menjadi
analisis indikator kesehatan dengan menggunakan SPSS.

12
 II. PENGENALAN SPSS

Saat memulai bekerja dengan mempergunakan SPSS, pada layar Menu Utama tampak
10 (sepuluh) menu bar seperti gambar 1. Menu Bar

Gambar 1. Tampilan menu bar dan spread sheet.

Bagi yang belum terbiasa menggunakan SPSS, pemahaman terhadap halaman muka
seperti gambar 1 tersebut sangat penting, diantaranya mengenai fungsi dari masing-masing
menu bar. Adapun fungsi dari masing-masing menu bar tersebut sebagai berikut:

File
Membuka file data/ perintah/ luaran yang telah ada dari hasil
SPSS atau membaca data dalam bentuk spreadsheet atau
database yang telah dibentuk dari perangkat lunak yang lain.
Pada menu bar File dapat juga membuat/ menyimpan file baru
dari hasil SPSS.
File yang sering ditemui dalam analisis data dengan SPSS
yaitu:
1. File data : *.sav, *.dbf, *.xls
2. File perintah (syntax): *.sps, *.do, *.txt
3. File luaran (output): *.spo

Edit

Mengedit menu atau memodifikasi atau mengcopy data di layar

Editor atau bentuk text pada layar output atau perintah pada
layar Syntax.

13
View

Melihat Status bar, Tool bars, Fonts, Grid Line, Value Labels

Data

Dipergunakan untuk merubah data SPSS, seperti menggabung

data, menyusun data dari kecil ke besar atau sebaliknya,
transposisi variabel dan kasus, memilah sebagian kasus dengan
sifat sementara atau permanen.

Transform

Merubah variabel yang ada dalam data ataupun membuat

variabel baru. Perubahan ini akan dapat bersifat permanen bila
file data disimpan kembali, baik ke dalam bentuk file data baru
atau replace file data lama

14
 Analyze

Menganalisis data secara deskriptif atau analitik, seperti:

Regresi Logistic, Linear Regression, Analysis of Variance, dll.

Graph

Membuat grafik, seperti: grafik batang, pie, tebar, histogram,

dll. Grafik ini dapat diedit melalui chart editor.

Utilities Untuk merubah font, memunculkan informasi dari SPSS data

file, atau membuka index dari perintah SPSS.

Window Mengatur, memilih dan mengontrol ukuran jendela.

Help Memberikan informasi tentang penggunaan fasilitas SPSS

Pada bagian kiri bawah halaman muka tampilan SPSS ini, terdapat menu pilihan untuk
mengaktifkan data (data view) atau variabel (variabel view). Tampilan pada gambar 2
merupakan tampilan data view yang sedang diaktifkan, jika yang diinginkan tampilan variabel
maka dapat dipilih variabel view, maka akan diperoleh tampilan seperti gambar 3. Data view

15
untuk menampilkan isi dari data, sedangkan variabel view untuk menampilkan status dari
masing-masing variabel.

Gambar 2. Tampilan data view

Gambar 3. Tampilan variabel view

Label dalam kolom-kolom variabel view tersebut sebagai berikut:

(blank) Nomor urut variabel
Name Nama variabel
Type Jenis data (sering dipergunakan adalah numerik atau string)
Width Lebar kolom yang digunakan masing-masing variabel
Decimals Jumlah angka di belakang koma
Label Keterangan nama variabel
Values Keterangan dari kode jawaban
Missing Nilai-nilai yang tidak disertakan dalam analisis
Columns Jumlah digit untuk tampilan kolom
Align Posisi tampilan dalam data view
Measure Skala pengukuran

16
 III. PERSIAPAN ANALISIS

3.1. Membuka dan menyimpan data

Membuka file pada SPSS dapat melalui menu bar atau pada saat mengaktifkan
SPSS, tampil seperti gambar 4. Pilihan pada kotak Open an existing data source untuk
membuka data terpilih yang sudah pernah dikerjakan. Pilihan pada kotak Open another
type of file untuk membuka file perintah/ keluaran terpilih yang pernah dikerjakan.

Gambar 4. Membuka file

Pada menu file, terdapat perintah open untuk membuka file yang akan diaktifkan
atau yang akan dianalisis. Lokasi penyimpanan file harus diketahui untuk memudahkan
pengaktifan, untuk itu diperlukan manajemen file yang baik yaitu dengan memberikan
nama direktori dan file dengan nama yang mudah diingat.
Untuk membuka file sebagai contoh pada gambar 5 ditampilkan lokasi serta nama
file yang akan dibuka, file yang terlihat hanya yang berekstension sav, karena file of type
yang diinginkan adalah SPSS (*.sav). Langkah-langkahnya dapat dilihat sebagai berikut.

17
 Gambar 5. Tampilan ketika membuka file data

Perintah membuka file data, dapat dilakukan dengan:

1. Pilih menu bar File
2. Tekan perintah Open
3. Pilih perintah Data (pastikan lokasi file yang akan dibuka)
4. Pilih file yang akan dibuka (perhatikan extention file)
5. Perintah diakhiri dengan Open

Perintah penyimpanan file data, dapat dilakukan sebagai berikut:

1. Pilih menu bar File
2. Tekan perintah Save atau Save As. Perintah Save As untuk memberi nama lain
pada file yang sudah ada atau file baru. Beri nama file baru dan akhiri dengan
Save

3.2. Memecah file data

Memecah file seringkali dilakukan ketika melakukan analisis, hal ini dimaksudkan agar
file kerja tidak terlalu besar, sehingga dapat bekerja lebih cepat karena tidak
membutuhkan memori komputer yang besar. Ada beberapa cara yang sering dilakukan
dalam memecah file.
a. Memilih variabel yang dibutuhkan dalam analisis
 Menggunakan variabel view
1. Tekan pada nomor variabel yang tidak diperlukan
2. Pilih perintah Edit pada menu bar
3. Tekan Clear, maka variabel yang tidak diperlukan akan terhapus
4. Jika sudah selesai, akhiri dengan Save As, beri nama lain agar data yang
lama tidak terhapus.
 Menggunakan program (syntax)

18
 Memilih variabel yang diperlukan juga dapat melalui lembar syntax, yaitu pilih menu
File, kemudian pilih New, lalu Syntax.

Gambar 6. Membuka lembar syntax

Sebagai contoh, jika kita ingin menyimpan beberapa variabel dari file data yang kita
buka, dapat kita ketik pada lembar syntax sebagai berikut.
Save outfile=’c:namafilebaru.sav’
/keep= variabel1, variabel2, variabel3, variabel4, variabel5
/compressed.
Execute.

b. Memilih observasi yang sesuai dengan kriteria analisis

Pemecahan file berdasarkan pemilihan observasi yang sesuai dengan kriteria, dapat
dilakukan melalui cara sebagai berikut. Sebagai contoh bila kita menginginkan hanya
menganalisis dari data responden umur 15 tahun ke atas, maka yang dilakukan adalah:
1. Pada menu bar Data pilih Select Cases
2. Pilih if condition, untuk memasukkan kondisi observasi yang diinginkan
3. Jika variabel umur adalah b4k5, Ketik kondisi umur b4k5 > 14 pada kotak
sebelah kanan, lalu tekan continue
4. Pilih filtered terdahulu untuk dapat meyakinkan bahwa perintah yang
dijalankan benar. Jika yakin sudah benar dapat dipilih deleted, lalu tekan Ok.
5. Akhiri dengan Save As.

19
 Catatan: b4k5 adalah variabel umur

Gambar 7. Memilih observasi sesuai dengan kriteria

3.3. Menggabung Data

a. Membuat variabel kunci
Dalam membuat variabel baru, perlu pemahaman terhadap type data, terutama
ketika akan membuat variabel kunci. Tipe data numerik atau string (karakter),
keduanya dapat digunakan membuat variabel kunci tetapi tingkat ketelitiannya
berbeda. Oleh karena itu dianjurkan untuk membuat variabel kunci dengan variabel
bertipe string. Variabel kunci diperlukan untuk mempermudah ketika akan melakukan
penggabungan file.
Membuat variabel kunci dapat dilakukan dengan perintah Compute dalam
menu bar Transform. Variabel kunci dapat dibuat dari gabungan variabel keterangan
tempat, seperti kode provinsi, kode kabupaten, dan seterusnya (contoh variabel k1r2,
kr3, k1r4, k1r5, k1r7, k1r8, b4k1).

Gambar 8. Membuat variabel kunci

20
 Langkah-langkah: (lihat gambar 8)
1. Semua variabel yang akan dijumlahkan dan variabel baru sebagai tempat
penjumlahan harus dalam status string
2. Lebar variabel baru yang akan dibuat harus sama dengan penjumlahan lebar
semua variabel
3. Pilih menu Transform dan click dua kali pada perintah Compute
4. Isi kotak Target Variabel dengan Nama variabel baru
5. Pilih perintah Type & Label, pastikan variabel baru dalam String dan jumlah
digit sama dengan jumlah digit seluruh variabel yang akan dibuat variabel
kunci
6. Pilih Concat pada kotak Function, pindahkan ke kotak String Expression
7. Pindahkan seluruh variabel di kotak sebelah kiri yang akan dijumlahkan ke
kotak String Expression di kotak sebelah kanan

b. Proses penggabungan data

Salah satu fungsi penting yang dapat digunakan dari menu data adalah penggabungan
data. Dalam proses penggabungan data, memerlukan variabel kunci sebagai
penghubung antar 2 file.
Ada 2 macam penggabungan yang dapat dilakukan, yaitu menambah observasi pada
variabel yang sama atau menambah variabel. Untuk melakukan hal tersebut, dalam
menu bar Data pilih perintah merge files.
i. Add cases, perintah ini untuk menambah observasi (record) dari file lain. Hal
penting yang harus diperhatikan pada proses ini adalah nama variabel antar file
yang ingin digabungkan harus sama. Misalnya File A berisi variabel a1, aa, bb,
cc, dan dd maka File B juga harus berisi variabel yang sama a1, aa, bb, cc, dan dd.
Proses penambahan observasi dapat dimulai sebagai berikut:
1. Buka File A
2. Pilih menu bar Data
3. Pilih perintah merge file dan lanjutkan dengan add cases
4. Jika file yang akan digabungkan belum dibuka, pilih An external SPSS
data file. Pilih File B pada icon Browse dan tekan Open
5. Lihat tampilan gambar 9. Jika ada variabel yang berbeda antara
kedua file tersebut akan terlihat dalam kotak Unpaired Variables.
Akhiri proses ini dengan menekan OK

21
Gambar 9. Tampilan untuk menambah record

ii. Add variables, perintah ini untuk menambah variabel dari file lain. Hal penting
yang harus diperhatikan pada proses penggabungan ini adalah variabel kunci
sebagai penghubung 2 file yang akan digabung harus sama.
Terdapat 2 macam cara penggabungan file untuk menambah variabel:
1. One to One, menggabungkan 2 file data yang masing-masing recordnya
mempunyai variabel kunci yang unik, misalnya file “individu yang berisi data
penyakit” sebagai file I akan digabung dengan file “individu yang berisi data
perilaku” sebagai file II.
Langkah-langkahnya sebagai berikut (lihat gambar 10):
1. Buka file pertama, buat variabel kunci (id)
2. Sort variabel kunci secara ascending dengan perintah Sort cases di
bawah menu bar Data. File setelah di-sort kemudian disimpan dengan
perintah Save

3. Buka file kedua, buat variabel kunci (id)

4. Sort variabel kunci secara ascending dengan perintah Sort cases di
bawah menu bar Data. File setelah di-sort kemudian disimpan dengan
perintah Save.
5. Pilih menu Data kemudian pilih merge file

22
 6. Pilih Add variables
7. Pilih File yang akan digabungkan
8. Beri tanda pada Match cases on key variables in sorted files
9. Pilih Both files provide cases
10. Pindahkan variabel kunci yang terdapat pada kotak Excluded
Variables ke dalam kotak Key Variables, tekan OK
Variabel – variabel yang ada di kotak excluded variabels adalah
variabel yang ada di kedua file, maka variabel yang sama yang ada di
file kedua tidak akan diikutsertakan dalam penggabungan file.
11. Lakukan perintah Save as.

Gambar 10. Tampilan ketika menggabung file

2. Many to One atau One to many, menggabungkan 2 file data yang salah
satunya mempunyai variabel kunci yang unik dan file lainnya dengan satu
variabel kunci dimiliki oleh beberapa record, misalnya file “rumah tangga
yang berisi pengeluaran” akan digabung dengan file “individu yang berisi data
pemanfaatan pelayanan kesehatan”.
Langkah-langkahnya sebagai berikut (lihat gambar 10):
1. Buka file pertama (misal: file rumah tangga), buat variabel kunci
(idrt)
2. Sort variabel kunci secara ascending dengan perintah Sort cases di
bawah menu bar Data. Setelah di-sort kemudian disimpan dengan
perintah Save.
3. Buka file kedua (misal: file individu), buat variabel kunci (idrt)

23
4. Sort variabel kunci secara ascending dengan perintah Sort cases di
bawah menu Data. File setelah di-sort kemudian disimpan dengan
perintah Save.
5. Pilih menu Data kemudian pilih merge file
6. Pilih Add variables
7. Pilih File yang akan digabungkan (file rumah tangga yang sudah di
sort)
8. Beri tanda pada Match cases on key variables in sorted files
9. Pilih Non-active dataset is keyed table
Catatan:
 Jika file yang terakhir aktif adalah file yang mempunyai variabel
kunci unik dimiliki oleh beberapa record (misal: file individu)
maka pilih Non-active dataset is keyed table

Gambar 11. Tampilan proses menggabung file “many to one”

Contoh:
Variabel kunci Individu Variabel kunci RT
1111 A 1111 I
1111 B 2222 II
1111 C 3333 III
2222 A 4444 IV
2222 B 5555 V
3333 A 6666 VI
3333 B 7777 VII

24
 File aktif
 Jika file yang terakhir aktif adalah file yang mempunyai variabel
kunci unik (misal: file RT) di masing-masing record, maka yang
dipilih adalah Active dataset is keyed table

Gambar 12. Tampilan proses menggabung file “one to many”

Contoh:
Variabel kunci RT Variabel kunci Individu
1111 I 1111 A
2222 II 1111 B
3333 III 1111 C
4444 IV 2222 A
5555 V 2222 B
6666 VI 3333 A
7777 VII 3333 B
File aktif
10. Pindahkan variabel kunci yang terdapat pada kotak Excluded
Variables ke dalam kotak Key Variables, tekan OK
11. Lakukan perintah Save as.

25
 IV. MANIPULASI DATA

4.1. Mengelompokkan isian jawaban

Di bawah menu Transform terdapat perintah Recode yang dapat digunakan untuk
membuat variabel baru sekaligus melakukan pengelompokan jawaban. Perintah Recode
terdiri dari 2 macam yaitu:
a. Into Same Variables yaitu mengelompokkan isian jawaban (isian variabel) ke
dalam variabel yang sama (isian variabel yang lama di replace).
b. Into Different Variables yaitu mengelompokkan isian jawaban (isian variabel) ke
dalam variabel yang lain (isian variabel yang lama tetap ada dan dibuat variabel
baru).

Gambar 13. Menu Transform

Langkah-langkah penggunaan perintah Recode dengan Into Different Variables:
1. Pilih menu Transform
2. Pilih perintah Recode Into Different Variables
3. Isi kotak Input Variable  Output Variable dengan
variabel yang akan dikelompokkan, contoh b4k5
4. Ketik nama variabel baru (kelumur) dalam Output
Variable. Tekan Change.
5. Pilih perintah Old and New Values
6. Isi kotak yang diperlukan pada Old Value dari nilai
yang akan dikelompokkan, misalnya: 15 hingga 24
7. Isi kotak pada New Value dari nilai baru (kode) hasil
pengelompokkan yang diinginkan, contoh; pada kelompok 15 – 24 isikan 1.

26
 8. Tekan Add pada kotak Old  New, lanjutkan dengan
pengelompokkan yang lain.
9. Tekan Continue jika seluruh pengelompokkan yang
diinginkan sudah dilakukan.
10. Tekan OK.

Gambar 14. Tampilan pada pengelompokan variabel

4.2. Membuat variabel baru

Dalam membuat variabel baru, perlu pemahaman terhadap type data. Tipe data
numerik atau string (karakter). Perbedaan kedua tipe tersebut yaitu jika variabel
mempunyai tipe string maka pada saat membuat perintah untuk mengkondisikan data
harus menggunakan (‘’), misalnya b1r5=’1’.

Gambar 15. Membuat variabel baru

27
Langkah-langkah:
1. Pilih menu Transform dan click dua kali pada perintah Compute
2. Isi kotak Target Variabel dengan Nama variabel baru
3. Pilih perintah Type & Label, untuk menentukan tipe dari variabel baru yang
dibuat
4. Isi kotak Numeric Expression dengan kode, misalnya 1
5. Pilih kotak If dan isikan kondisi yang diinginkan untuk kode “1” yang telah
diketikkan pada kotak Numeric Expression.

28
 V. ANALISIS DATA

Keunggulan SPSS daripada program Epi Info dalam analisis, yaitu dapat digunakan
untuk menganalisis sampai dengan multivariat. Banyak pilihan uji statistik, namun pemakai
tetap harus menyesuaikan dengan jenis data yang digunakan. Seluruh pilihan uji statistik
terdapat di bawah menu bar Analyze.
Keunggulan lain dari SPSS adalah dapat melengkapi hasil analisis dengan berbagai macam
grafik. Grafik-grafik tersebut terdapat di bawah menu bar Graphs.

5.1. Statistik Univariat

Sebelum melakukan uji statistik, terlebih dahulu amati distribusi frekuensi dari data
yang diolah. Amati jika terdapat nilai yang ekstrim, lakukan imputasi atau amputasi
record bila terdapat nilai ekstrim tersebut. Gambar 16a adalah contoh analisis univariat
untuk data kategori yang bertujuan untuk melihat distribusi frekuensi masing-masing
jawaban pada variabel yang dibutuhkan.

Gambar 16a. Tampilan menu analisa dan pilihan statistik univariat kategori

Langkah pertama dari kegiatan analisis adalah sebagai berikut:

1.Pilih menu Analyze lalu pilih Descriptive Statistics, kemudian frequencies
2.Pilih variabel yang ingin ditampilkan frekuensinya, masukkan dalam kotak
pilihan.
3.Perhatikan kotak pada Display frequency tables diberi tanda √

29
4.Akhiri dengan menekan perintah OK

Gambar 16b adalah contoh analisis univariat untuk data kontinyu yang bertujuan untuk
melihat satu nilai yang dapat mewakili sekelompok nilai. Nilai tersebut dapat berupa
mean (rata-rata), median (nilai tengah), modus (nilai yang paling sering keluar). Selain itu
ketiga nilai tersebut juga untuk menentukan pemilihan uji statistik selanjutnya.

Statistics

Berat Badan
N Valid 24997
Missing 533
Mean 44.003
Median 48.700
Mode 60.0
Skewness -.377
Std. Error of Skewness .015

Mean < median < modus

Kurva miring ke kiri

Gambar 16b. Tampilan menu analisa dan pilihan statistik univariat kontinyu

30
 Langkah pertama dari kegiatan analisis adalah sebagai berikut:
1. Pilih menu Analyze lalu pilih Descriptive Statistics, kemudian frequencies
2. Variabel yang ingin ditampilkan masukkan dalam kotak pilihan.
3. Perhatikan kotak pada Display frequency tables, tanda √ dapat dihilangkan jika
tidak dibutuhkan
4. Pilih icon statistics untuk memunculkan nilai mean, median, modus dan pilih icon
charts untuk memunculkan grafik histogram, akhiri dengan perintah OK
Cara lain untuk melihat suatu data normal atau tidak normal dapat dilakukan uji dengan
Kolmogorov smirnov. Uji ini menggunakan Ho nya adalah distribusi normal, jadi jika nilai uji
< 0,05 justru distribusi tersebut tidak normal. Langkah-langkah melakukan uji ini adalah
sebagai berikut:
1. Pilih menu Analyze lalu pilih Non parametric Test, kemudian sampel K-S
2. Variabel yang ingin diuji masukkan dalam kotak test variable list.
3. Perhatikan tanda √ kotak pada Test Distribution-Normal untuk mengeluarkan hasil
uji normalitas
4. Akhiri dengan menekan perintah OK

One-Sample Kolmogorov-Smirnov Test

Berat Badan
N 72894 Ho: Data berdistribusi normal
Normal Parameters a,b Mean 42.606 Ha: Data tidak berdistribusi normal
Std. Deviation 17.9724
Most Extreme Absolute .109
Differences Positive .075 Hasil analisis p=0,000 atau p<0,05
Negative -.109 Kesimpulan Ho ditolak, data tidak
Kolmogorov-Smirnov Z 29.336 berdistribusi normal
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal.
b. Calculated from data.

31
 Gambar 16c. Tampilan uji distribusi normal

5.2. Membuat Grafik

Tampilan grafik dapat digunakan untuk menampilkan distribusi frekuensi menjadi
lebih menarik, atau ditujukan untuk mempermudah dalam melakukan deteksi outlier. Ada
beberapa pilihan grafik yang disediakan, masing-masing tampilan grafik tersebut dapat dilihat
pada gambar di bawah ini. Gambar 17 menunjukkan jenis-jenis grafik yang dapat dibuat. Jenis
grafik yang dipilih harus sesuai dengan jenis data dan tujuan dari hasil analisis yang akan
ditampilkan.

32
 Gambar 17. Tampilan jenis-jenis grafik

Perintah grafik tersedia dalam menu bar Graphs, kemudian pilih Chart Builder dan kemudian
Gallery. Pilih grafik yang akan ditampilkan (misalnya Bar) dengan cara klik pada kotak yang
berisi gambar grafik tersebut, pilih variabelnya lalu tekan Ok.

Gambar 18. Cara membuat grafik

33