Modul Mandat 17 Des

MODUL MATERI PENUNJANG
MANAJEMEN DATA EPIDEMIOLOGI
Modul Pelatihan FETP Frontline 1

A Tentang Modul Ini
DESKRIPSI SINGKAT
Mata pelatihan ini membahas tentang Manajemen Data Epidemiologi. Manajemen data
merupakan kemampuan dasar yang harus dimiliki oleh seorang Epidemilog lapangan
untuk nantinya dapat melakukan pengolahan, analisis dan interpretasi data epidemiologi,.
Hal ini penting karena kegiatan surveilans ataupun kegiatan penyelidikan epidemiologi
akan menghasilkan sejumlah data yang perlu di-manage untuk menghasilkan informasi
yang cepat dan tepat. Mata Pelatihan ini merupakan lanjutan Manajemen Data yang
telah Anda pelajari pada Pelatihan Fundamental Epid. Jika dasar teori sudah Anda
pelajari pada Fundamental epid, maka modul ini akan lebih mengasah kemampuan Anda
untuk melakukan pengolahan data, Analisis data, dan membuat tampilan dengan
menggunakan MS Excel.
TUJUAN PEMBELAJARAN
A. Hasil Belajar
Setelah mengikuti materi ini peserta dapat melakukan Manajemen Data
menggunakan apikasi Ms excel.
B. Indikator Hasil Belajar
Setelah mengikuti mata pelatihan ini, peserta dapat:
1. Melakukan pengolahan dan Analisis data deskriptif
2. Membuat tampilan data
3. Menggunakan Excel untuk melakukan pengolahan data dan membuat
tampilan data

MATERI POKOK
Materi pokok pada mata pelatihan ini adalah:

1. Pengolahan Data dan Analisis Deskriptif
2. Tampilan dan Interpretasi data
3. Penggunan Aplikasi Ms Excel dalam Pengolahan dan Penyajian data

B Kegiatan Belajar
Materi Pokok 1
Pengolahan Data dan Analisis Deskriptif
Pendahuluan
Data adalah sesuatu yang belum mempunyai arti bagi penerimanya dan masih
memerlukan suatu pengolahan. Data bisa berwujud suatu keadaan, angka,
matematika, ataupun simbol-simbol lainnya yang bisa kita gunakan sebagai
bahan untuk melihat lingkungan, obyek, kejadian ataupun suatu konsep.
Informasi merupakan hasil pengolahan dari sebuah data yang memiliki nilai
tertentu, dan bisa digunakan untuk menambah pengetahuan bagi pihak yang
menerimanya. Dalam hal ini, Informasi juga bisa disebut sebagai hasil
pengolahan ataupun pemrosesan data
Indikator Hasil Belajar
Setelah mengikuti materi pokok pelatihan ini, peserta dapat melakukan

pengolahan data dan Analisis secara deskriptif
Sub Materi Pokok

1. Pengolahan Data
2. Analisis Deskriptif

Uraian Materi Pokok 1
Sebelum anda mempelajari lebih lanjut tentang Pengolahan Data, apa yang anda
ketahui tentang kualitas data dan pengumpulan data?
Anda sebagai seorang epidemiolog lapangan perlu memiliki kemampuan dasar

mengolah data. Namun sebelum mempelajari tentang pengolahan data, Anda harus
terlebih dahulu memahami konsep dasar data seperti jenis data, skala data, atribut
serta kualitas data. Pastikan Anda telah memahaminya secara menyeluruh sebelum
melanjutkan mempelajari materi ini. Jika ada hal yang lupa atau terlewat, silahkan
Anda me-review kembali modul Manajemen Data pada Pelatihan Fundamental
Epidemiologi
Jika sudah memahami informasi dasar Data, silahkan lanjutkan mempelajari modul
ini. Uraian berikut ini akan menambah keterampilan Anda untuk melakukan
pengolahan Data. Jangan ragu untuk langsung mencoba mempraktekkan Langkah
pengolahan data yang ada pada modul ini. Selamat belajar !
A. Pengolahan Data
Bila data surveilans telah terkumpul, tugas seorang epidemiolog lapangan
dalam langkah selanjutnya adalah melakukan pengolahan data. Pengolahan
data dapat dilakukan dengan mengelompokkan data ke dalam bentuk yang
teratur, menjelaskan kecenderungan–kecenderungan, mentabulasi data
dengan cara yang sedemikian rupa sehingga memungkinkan untuk dilakukan
analisis dan interpretasi dengan tepat.
1. Persiapan Pengolahan Data

Secara garis besar, pengolahan dimulai dari langkah persiapan. Kegiatan
dalam langkah persiapan ini antara lain: Mengecek kelengkapan data,
artinya memeriksa isi instrumen pengumpulan data dan mengecek macam
isian data. Langkah persiapan bermaksud merapikan data agar bersih
(cleaning data), rapi dan tinggal melakukan pengolahan lanjutan atau
menganalisis. Pada tahap ini Anda melakukan pengecekan kualitas data
sehingga pada persiapan sudah dideteksi adanya missing data.
Pada tahap persiapan ini Anda harus benar – benar memperhatikan

kualitas data. Sebagaimana suatu istilah yang menyatakan garbage in –
garbage out, maka jika data yang diinput kurang berkualitas, maka
informasi yang dihasilkan juga berpotensi tidak akurat.

Lalu, apa itu Kualitas Data?
Dari perspektif kesehatan masyarakat, kualitas data dapat didefinisikan
sebagai tingkat keakuratan dan kelengkapan data atau informasi
kesehatan yang dilaporkan, dikumpulkan, dan dianalisis.
Kualitas data dapat merujuk kepada catatan atau record individu, atau
keapda database record yang lebih luas, baik yang ditabulasi atau
dikumpulkan secara manual atau database elektronik.
Data berkualitas tinggi lebih cenderung mengarah pada pengambilan

keputusan dan perencanaan yang lebih baik karena akan memberikan
gambaran akurat tentang kejadian penyakit di masyarakat, sehingga tren
dan perubahan mendadak dapat dideteksi dan tindakan diambil. Selain itu,
dengan data berkualitas kita dapat meningkatkan penargetan program dan
layanan pencegahan dan pengendalian penyakit di tingkat masyarakat.
Data berkualitas tinggi tidak menjamin bahwa keputusan yang tepat

akan dibuat, tetapi kami berharap data berkualitas dapat mengurangi
kemungkinan keputusan yang salah!
Ada sejumlah permasalahan dalam kualitas data yang mungkin Anda

hadapi. Misalnya Data individu, seperti missing data, data tidak tepat
(incorrect data) dan data yang tidak terbaca (unreadable data). Pada
suatu system, masalah kualitas data meliputi record yang terlambat /
tertunda, hilang dan terduplikasi.
Masalah kualitas data dapat terjadi di semua tingkat sistem surveilans

kesehatan masyarakat sejak awal input data saat pasien datang hingga
analisis data di tingkat pusat. Sebagian besar kesalahan akurasi dan
kelengkapan terjadi pada saat pengisian formulir surveilans di tingkat
fasilitas kesehatan. Namun, jenis kesalahan lain dapat terjadi pada setiap
tingkat dalam sistem surveilans penyakit, misalnya kesalahan analisis dan
kesalahan interpretasi dan kesalahan lain selama langkah-langkah
tersebut. Mari kita bahas sejumlah kesalahan yang sering terjadi dan
harus benar – benar Anda waspadai sebagai seorang Epidemiolog
lapangan.
Kesalahan data berkontribusi pada masalah dalam kualitas data. Data

berkualitas baik memerlukan perhatian terhadap semua sumber
kesalahan dan memiliki mekanismen dan alat yang tepat untuk mencegah
ataupun mengatasinya.
Jenis yang umum yang sering terjadi antara lain:
✓ Kesalahan transposisi - Contoh: 39 dimasukkan sebagai 93.
✓ Kesalahan transkripsi - Contoh: 325 dimasukkan sebagai 35.
✓ Kesalahan penyalinan - Contoh: 1 dimasukkan sebagai 7; angka 0
dimasukkan sebagai huruf O.
✓ Kesalahan pengkodean - Penggunaan kode yang salah. Contoh:
Seorang pewawancara melingkari 'ya', tetapi pembuat kode
memasukkan 2, yang mewakili 'tidak' selama pengkodean.

✓ Kesalahan konsistensi - Dua atau lebih tanggapan pada kuesioner
yang sama saling bertentangan. Contoh: Tanggal keluar lebih awal
dari tanggal masuk.
✓ Rentang kesalahan - Entri terletak di luar rentang nilai yang mungkin
atau mungkin. Contoh: Pilihannya adalah 1-5, tetapi 7 yang
dimasukkan.
Pernahkah Anda mengalami salah satu dari jenis kesalahan tersebut?
Kini saatnya kita berlatih, untuk menilai kualitas data berikut ini
HASIL SKRINING UNIT DARAH YANG TERKUMPUL DI RS XXX , SEPTEMBER 2020
Berapa banyak kesalahan yang Anda temukan pada

data set tersebut?
Coba Jelaskan jenis kesalahan yang Anda temukan

Jika Anda cermat, maka Anda akan menemukan 14 kesalahan pada data
tersebut.
Perhatikan jawaban berikut
HASIL SKRINING UNIT DARAH YANG TERKUMPUL DI RS XXX , SEPTEMBER 2020
Cara terbaik untuk meminimalkan upaya pembersihan data adalah dengan

memasukkan (input) data dengan benar sejak Anda pertama kali kerjakan
Lalu, Mengapa masalah kualitas data terjadi selama

pengumpulan data?
Masalah kualitas data saat pengumpulan data dapat disebabkan:

- Desain intrumen yang kurang baik / kurang lengkap
- Pasien tidak dapat memberikan informasi yang tepat atau menolak
memberikan informasi
- Hambatan Bahasa (istilah yang digunakan)
- Ketidakmampuan penyedia layanan Kesehatan untuk mengumpulkan data
- Catatan (record) data yang tidak akurat atau missing
- Koreksi atau pelaporan yang terlambat

Selain pada tahap pengumpulan data, kesalahan juga dapat terjadi
selama entri data, pengelolaan data, dan analisis data, seperti adanya
kalkulasi dan formula yang Err ataupun terjadi kesalahan saat
penanganan data (mmisal data hilang, terhapus, atau menggunakan file
yang salah ketilka menganalisis data).
Apa dampaknya jika kualitas data surveilans yang kita miliki kurang baik ?
Kualitas data surveilans yang buruk dapat berdampak serius.
Pertama, para pengambil kebijakan mengandalkan data surveilans untuk
memberikan informasi penyakit apa yang terjadi di masyarakat. Jika data
yang diperoleh berkualitas buruk, atau tidak ada data sama sekali, maka
mungkin pengambil kebijakan akan:
• Melewatkan adanya suatu kasus penyakit yang penting bagi
kesehatan masyarakat, seperti polio
• Melalaikan terjadinya wabah/KLB, atau setidaknya melewatkannya
lebih awal saat lebih mudah dikendalikan
• Mengarahkan sumber daya ke area yang melaporkan lebih baik, tidak
harus ke tempat penyakit paling banyak terkadi tetapi pelaporannya
buruk
• Tidak meminta sumber daya yang cukup untuk program, karena
pengambil kebijakan bahkan tidak tahu bahwa kami memiliki masalah
atau ukuran masalahnya
Selain itu, Surveilans adalah salah satu alat yang digunakan untuk
memantau apakah program pengendalian dan pencegahan penyakit
berhasil dilaksanakan. Tanpa data surveilans yang baik, program-program
Kesehatan yang berjalan tidak dapat dipantau dan dievaluasi dengan baik.
Pada Akhirnya, Pemerintah dapat kehilangan kredibilitas dan kepercayaan
masyarakat serta dukungan publik jika mereka tampak tidak tahu apa
yang sedang terjadi.
Berkaca pada dampak serius akibat kualitas data yang buruk, Penting
bagi Anda Epidemiologi lapangan untuk memperhatikan dengan seksama
dan memastikan bahwa data surveilans yang Anda miliki berkualitas
(akurat, lengkap dan tepat waktu)
2. Coding dan Skoring

Memberikan skor (scoring) terhadap item-item yang perlu diberi skor.
Misalnya tes, rating scale, dan sebagainya. Memberikan kode-kode juga
dilakukan terhadap item-item yang perlu diberi skor misalnya Jenis
kelamin 1) Laki-laki diberi kode 1. 2) Perempuan diberi kode 0. Tingkat
pendidikan 3) SD diberi kode 1. 4) SMP diberi kode 2. 5) SMA diberi kode
3. 6) Perguruan tinggi diberi kode 4, dan sejumlah variable nominal dan
ordinal lainnyua.

3. Pengolahan data sesuai dengan tujuan
Pada tahap ini Anda dapat mengubah jenis data, disesuaikan dan
dimodifikasi dengan teknik analisis yang akan digunakan. Misalnya: Data
interval diubah menjadi data ordinal dengan membuat tingkatan atau Data
ordinal atau data interval diubah menjadi data diskrit.
Sampai tahap ini data siap untuk dianalisis lebih lanjut.
B. Analisis Data Deskriptif

Analisis data merupakan proses paling vital dalam manajemen data. Hal ini
berdasarkan argumentasi bahwa dalam analisis inilah data yang diperoleh
bisa diterjemahkan menjadi hasil yang sesuai dengan kaidah ilmiah. Maka
dari itu, perlu kerja keras, daya kreatifitas dan kemampuan intelektual yang
tinggi agar mendapat hasil yang memuaskan. Analisis data merupkan
lanjutan pengumpulan data. Sebab data yang telah terkumpul, bila tidak
dianalisis hanya menjadi barang yang tidak bermakna, tidak berarti dan
menjadi data yang mati. Oleh karena itu, analisis data di sini berfungsi untuk
mamberi arti, makna dan nilai yang terkandung dalam data itu.
Analisis data adalah rangkaian kegiatan penelaahan, pengelompokan,

sistematisasi, penafsiran dan verivikasi data agar sebuah fenomena memiliki
nilai sosial, akademis dan ilmiah. Kegiatan dalam analisis data adalah:
mengelompokan data berdasarkan variabel dan jenis responden,
mentabulasi data berdasarkan variabel dan seluruh responden, menyajikan
data tiap variabel yang diteliti, melakukan perhitungan untuk menjawab
rumusan masalah dan melakukan perhitungan untuk menguji hipotesis,
langkah terakhir tidak dilakukan.
Pada modul ini, Akan dibahas lebih lanjut mengenai Analisis Data
Deskriptif, Adapun Analisis Data Analitik dapat Anda pelajari lebih secara
mandiri untuk memperkaya kemampuan Anda dalam melakukan Analisis
data.
Analisis Deskriptif
Analisis deskriptif adalah analisis data dengan cara mendeskripsikan atau
menggambarkan data yang telah terkumpul sebagaiamana adanya tanpa
bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi.
Analisis deskriptif dilakukan menggunakan statistik deskriptif dalam
analisisnya. Statistik deskriptif dapat digunakan bila peneliti hanya ingin
mendeskripsikan data sampel, dan tidak ingin membuat kesimpulan yang
berlaku untuk populasi dimana sampel dambil. Mengenai data dengan
statistik deskriptif peneliti perlu memperhatikan terlebih dahulu jenis datanya.
Jika peneliti mempunyai data diskrit, penyajian data yang dapat dilakukan
adalah mencari frekuensi mutlak, frekuensi relatif (mencari persentase), serta
mencari ukuran tendensi sentralnya yaitu: mode, median dan mean.

Sesuai dengan namanya, deskriptif hanya akan mendeskripsikan
keadaan suatu gejala yang telah direkam melalui alat ukur kemudian
diolah sesuai dengan fungsinya. Hasil pengolahan tersebut selanjutnya
dipaparkan dalam bentuk angka-angka sehingga memberikan suatu kesan
lebih mudah ditangkap maknanya oleh siapapun yang membutuhkan
informasi tersebut.
Fungsi statistik deskriptif antara lain mengklasifikasikan suatu data variabel

berdasarkan kelompoknya masing-masing dari semula belum teratur dan
mudah diinterpretasikan maksudnya oleh orang yang membutuhkan
informasi tentang keadaan variabel tersebut. Selain itu statistik deskriptif juga
berfungsi menyajikan informasi sedemikian rupa, sehingga data yang
dihasilkan dari penelitian dapat dimanfaatkan oleh orang lain yang
membutuhkan.
Analisis statistik deskriptif dapat dibedakan menjadi :

1) Analisis Deskriptif sebaran data (frekuensi dan persentase), adalah
perhitungan frekuensi suatu nilai dalam suatu variabel. Nilai dapat
disajikan sebagai jumlah absolut atau presentase dari keseluruhan. Pada
sebaran data kita juga akan mengenal istilah nilai minimum, maksimum
dan juga rentang data
MINIMUM, MAKSIMUM DAN RANGE

Nilai Minimum, merupakan nilai terkecil dari sekumpulan angka.
Nilai Maksimum, merupakan nilai terbesar dari sekumpulan angka.
Range adalah rentang dari nilai terkecil hingga terbesar. Dalam
epidemiologi, Kita perlu melaporkan kedua nilai tersebut. Rentang dapat
ditemukan dengan menempatkan data secara berurutan; dari nilai
minimum dan maksimumnya.
Perhatikan Contoh Berikut ini :

Data Pengamatan Masa Inkubasi Ebola di Negara Y, 2010
Nilai minimum atau terkecil

untuk masa inkubasi Ebola
adalah 2 hari.
Nilai maksimum atau terbesar
adalah 14.
Jadi rentangnya adalah
antara 2 hingga 14 hari.

2) Analisis kecenderungan sentral data (tendensi sentral)
Mari kita bahas satu per satu
MODUS
Modus (modus) adalah nilai yang paling sering muncul pada suatu
distribusi nilai variabel. Ukuran kecenderungan sentral yang paling
mudah adalah modus. Untuk menemukan modus, hitung berapa kali
setiap nilai muncul. Hitungan ini harus dimasukkan ke dalam tabel yang
disebut distribusi frekuensi. Kemudian pilih nilai yang memiliki hitungan
tertinggi.
Contoh:
Tabel Pengamatan Masa Inkubasi Bagaimana cara menemukan modus
data masa inkubasi Ebola?
Buatlah tabel distribusi frekuensi
sebagaimana yang Anda telah pelajari
pada Modul Fundamental
Epidemiologi. Dari distribusi frekuensi
dapat dilihat bahwa sembilan hari
merupakan masa inkubasi yang paling
sering terjadi (terjadi 5 kali), sehingga
modus distribusi ini adalah sembilan
hari.
Pada excel, Anda dapat dibantu fungsi “count if” untuk menghitung
frekuensi nilai yang muncul, atau Anda dapat pula membuat pivot tabel
Modus adalah nilai yang paling umum dalam kumpulan data. Dengan
demikian, ini adalah ukuran deskriptif yang paling mudah untuk
dipahami, dijelaskan, dan diidentifikasi.
Namun ada beberapa kelemahan pengunaan modus, yaitu
• Mungkin ada lebih dari satu modus jika dua atau lebih nilai sama-sama
umum.
• Mungkin tidak ada modus jika, misalnya, setiap nilai hanya muncul
sekali.
• Modus mungkin tidak berada di tengah data.
MEDIAN
Median adalah nilai tengah dari sekumpulan nilai suatu variabel yang
telah diurutkan dari nilai terkecil kepada nilai yang tetinggi. Setelah Anda
mengurutkan data dari terkecil ke terbesar (atau terbesar ke terkecil,
tidak masalah), median adalah nilai tengah. Ini adalah nilai yang berada
di tengah-tengah kumpulan nilai yang diurutkan, sehingga membagi
kumpulan data menjadi dua bagian yang sama, dengan 50% di bawah
dan 50% di atas median.

Untuk mengidentifikasi median,
• Urutkan data pengamatan dalam urutan naik (dari kecil ke besar)
• temukan posisi tengah data
• Kemudian identifikasi nilai pada posisi tengah tersebut
Contoh
Langkah pertama adalah mengurutkan data masa

inkubasi yang telah dilakukan.
Selanjutnya, cari posisi tengah. Cara mudah mencari
posisi tengah adalah dengan menjumlahkan satu ke
jumlah total (n) pengamatan, lalu membagi hasilnya
dengan dua. Untuk n=19 pengamatan dalam
kumpulan data Ebola: 19 + 1 = 20; dan 20 dibagi 2 =
10. Jadi, posisi tengah di antara 19 masa inkubasi
adalah pengamatan ke-10.
Akhirnya, median akan menjadi nilai yang Anda

temukan pada pengamatan 10, yaitu 9
Kita dapat memastikan bahwa 9 adalah median karena sembilan

pengamatan atau nilai berada di atas, dan sembilan pengamatan atau
nilai berada di bawah nilai median.
Penting untuk dicatat perbedaan antara posisi tengah dan nilai pada
posisi tersebut. Median bukan 10; bukan median adalah nilai pada posisi
ke-10, yang merupakan masa inkubasi 9 hari.
Sekarang mari coba kita tambahkan kasus ke-20 dengan masa inkubasi
21 hari. Maka untuk median, Anda perlu menjumlahkan nilai ke 10 dan
11 lalu membagi 2, dalam hal ini nilai ke 10 dan 11 adalah sama 9, maka
menambahkan 1 kasus tidak akan merubah nilai median.
Mari kita rangkum poin-poin penting tentang median.

✓ Median adalah ukuran deskriptif yang baik dan sering digunakan
dalam epidemiologi.
✓ Median adalah ukuran pilihan untuk data yang tidak simetris. Banyak
kumpulan data dalam epidemiologi lebih mirip data miring kanan
daripada data simetris kiri. Jadi median adalah pilihan yang baik
untuk sebagian besar data epidemiologi.
✓ Median berada tepat di tengah data, sehingga median tidak
terpengaruh oleh satu atau dua nilai ekstrem yang dikenal sebagai
"outlier"
✓ Ketika satu periode inkubasi ekstrim ditambahkan ke dataset Ebola,
median tidak berubah, yang merupakan kualitas yang diinginkan!

MEAN
Nilai rata-rata atau mean, merupakan nilai rata-rata secara aritmatika
dari semua nilai dari variabel yang diukur. Mean adalah apa yang biasa
disebut "rata-rata." Kedua istilah tersebut digunakan secara bergantian.
Dua langkah yang digunakan untuk menghitung mean:
1. Jumlahkan semua nilai.
2. Bagilah jumlah dengan jumlah pengamatan (n).
Contoh Masa Inkubasi Ebola :
Langkah 1 adalah menjumlahkan 19 nilai.

Jumlah nilainya sama dengan 168.
Langkah 2 adalah membagi jumlah itu dengan jumlah
pengamatan. Di sini kita memiliki 19 nilai atau n=19.
Mean ditemukan dengan membagi 168 dengan 19:
168 / 19 = 8,8
Jadi masa inkubasi rata-rata untuk 19 pasien Ebola ini
adalah 8,8 hari.
Sekarang mari kita tambahkan kasus ke-20 dengan masa inkubasi 21

hari. Ingat bahwa menambahkan satu nilai ekstrim tidak berpengaruh
pada median. Lalu apakah berpengaruh terhadap mean?
Langkah 1. Sekarang jumlah pengamatannya adalah 189
Langkah 2. N sekarang 20.
Rata-rata dihitung sebagai 189/20, yaitu 9,45 atau 9,5 hari.
Dengan menambahkan satu nilai itu, rata-rata bergerak dari 8,8 menjadi
9,5, yang merupakan perbedaan yang cukup besar.
Mean juga disebut rata-rata, adalah ukuran lokasi pusat yang paling
terkenal. Berbeda dengan median yang hanya berfokus pada
pertengahan distribusi, mean menggunakan atau didasarkan pada
semua data. Tetapi sebagai hasil dari penggunaan semua data, rata-rata
dipengaruhi oleh satu atau beberapa nilai ekstrim atau outlier.
Jadi mean adalah ukuran yang lebih disukai ketika kumpulan data
memiliki pengamatan yang didistribusikan dalam kurva "berbentuk
lonceng" simetris atau yang disebut "distribusi normal". Tapi itu tidak
disukai ketika distribusi miring ke satu sisi atau yang lain, atau ketika
kumpulan data memiliki outlier. Jika data miring atau memiliki outlier, nilai
mean akan tertarik ke arah nilai ekstrim. Jadi jika data Anda memiliki
distribusi yang tidak normal atau memiliki outlier, maka gunakan median.

Sekarang, mari kita ringkas bahasan kita
Perhatikan ringkasan berikut ini
Ukuran Data Asli (n=19) Data update (n=20)

Modus 9 9
Median 9 9
Mean 8,8 9,5
Kolom tengah menunjukkan database yang sama dengan masa inkubasi

Ebola. Untuk 19 data awal, modus dan median=9 hari dan rata-rata=8,8
hari (Perhatikan kolom tengah).
Ketika kita menambahkan kasus ke-20 dengan masa inkubasi yang
relatif lama yaitu 21 hari, bagaimana setiap ukuran terpengaruh?
Pehatikan kolom paling kanan,
Modus tetap di 9.
Median tetap di 9.
Tetapi rata-rata meningkat dari 8,8 menjadi 9,5.
Ini menunjukkan modus dan median biasanya tidak terpengaruh oleh
satu atau dua nilai ekstrim, tetapi mean dapat dipengaruhi atau
"sensitif" terhadap outlier.
Jadi gunakan mean untuk data simetris tanpa outlier, tetapi gunakan
median jika datanya miring atau memiliki outlier.
3) Analisis variasi nilai (Standar Deviasi dan Varians)

Analisis ini dilakukan untuk melihat sebaran nilai dalam distribusi
keseluruhan nilai suatu variabel dari nilai tengahnya. Analisis ini untuk
melihat seberapa besar nilai suatu variabel berbeda dari nilainya.
Pengukuran variasi nilai biasanya dilakukan dengan melihat kisaran data
(range) atau simpangan baku (standar deviasi) dan varian.

SEKARANG SAYA TAHU
- Sebelum melakukan pengolahan data, perlu dilakukan tahap Persiapan

Pengolahan Data meliputi pengecekan kualitas data, coding dan scoring.
- Penting bagi Anda untuk melakukan audit kualitas data untuk dapat
mengecek adanya missing data, incorrect data dan unreadable data.
- Analisis Data Deskriptif yang sering digunakan, dapat diringkas sbb:
Analisis Sebaran Data Range, Minimun dan Maksimum
Ukuran Tendensi Sentral Mean:
nilai rerata (nilai rata-rata), Menggunakan
semua data, sensitive terhadap adanya
outlier. rata-rata lebih disukai untuk data
simetris, tidak umum digunakan dalam
epidemiologi
Median:
Nilai Tengah, Pilihan yang lebih aman untuk
Sebagian besar data epidemiologi
Modus:
Nilai paling sering muncul
Variasi Nilai Standar Deviasi dan Varians
- Untuk penyajian data epidemiologi, sebaiknya gunakan nilai median atau

mean dengan dilengkapi nilai rentang.

Materi Pokok 2
Tampilan Data
Pendahuluan
Tidak semua orang memiliki kemampuan membaca data dan menterjemahkannya
sebagai suatu informasi yang bermanfaat. Maka menjadi salah satu tugas Anda
sebagai epidemiolog lapangan untuk mampu membuat tampilan data sedemikan
rupa sehingga mudah dibaca oleh pihak lain dan memeberikan infromasi dengan
tepat, terutama bagi para pengambil kebijakan.
Setelah mengikuti materi ini, peserta dapat membuat tampilan data dengan tepat
Sub Materi Pokok

Berikut ini adalah sub materi pokok yang akan dibahas:
1. Penyajian data dengan Tekstual
2. Penyajian data dengan Tabel
3. Penyajian data dengan Diagram
4. Penyajian data dengan Peta

Uraian Materi Pokok 2
Data yang sudah diolah harus dapat memberikan informasi yang mudah dipahami
oleh pembaca. Untuk itu, membuat tampilan data dengan tepat merupakan
kemampuan yang wajib dimiliki oleh seorang Epidemilog lapangan. Anda seringkali
dihadapkan dengan data-data kasus. Jika Anda memiliki data kasus yang
menampilkan usia dan jenis kelamin tiap pasien, tampilan data seperti apa yang akan
Anda gunakan ? apakah tabel ? grafik ? atau tampilan data yang lain?
Uraian berikut ini Akan membantu me-refresh pemahaman Anda tentang alat
penyajian data sehingga pada akhir sesi ini diharapkan Anda dapat membuat
tampilan data yang tepat sesuai jenis data. Jika ada hal yang ingin didiskusikan,
jangan ragu untuk menghubungi fasilitator dan mentor Anda. Selamat Belajar
A. Penyajian Data Tekstual
Penyajian data atau informasi dapat menggunakan teks atau textular. Cara ini
dilakukan dengan menjelaskan atau mendeskripsikan data yang berupa angka
baik data kategorikal, maupun data yang bersifat numerik menggunakan teks.
Sebetulnya penyajian data secara teks merupakan penyajian data atau informasi
yang baik, terutama untuk data kualitatif yang tidak berisikan angka – angka.
Oleh karena itu, maka sangat dianjurkan data yang bersifat kuantitatif sebaiknya
tidak menggunakan teks, tetapi dapat menggunakan tabel atau grafik.
Ada beberapa syarat yang harus Anda perhatikan untuk dapat memberikan
penyajian textular yang baik, yaitu:
1. Gunakan kata kata yg tepat, dan jangan memberikan arti ganda
2. Gunakan kalimat yang pendek, dengan mengikuti kaidah bahasa Indonesia
yang benar
3. Jika menyajikan angka di awal kalimat jangan berupa angka, melainkan
tulislah kalimat tersebut dengan kata kata
4. Uraian harus mencakup apa, dimana, kapan pengumpulan data itu
dilakukan.
Contoh:
Total kasus difteri yang diketemukan dan ditangani pada periode Januari –
Desember 2019 di Puskesmas X, Kabupaten Y yaitu sebanyak 25 kasus. Tidak
ada kasus kematian pada saat kasus dirawat ataupun 10 hari paska kepulangan
(CFR = 0 %). Upaya penanggulangan yang telah dilakukan diantaranya yaitu:
penanganan kasus di (pengobatan dan perawatan, isolasi kasus), penyelidikan
epidemiologi, pemberian profilaksis kontak kasus, pengambilan dan
pemeriksaan spesimen kasus kontak, edukasi kasus, keluarga dan masyarakat.

B. Penyajian Data dengan Tabel
Tentunya Anda sudah sangat familiar menggunakan tabel. Tabel merupakan

alat untuk meringkas data sebelum Anda menyajikan data dalam bentuk
diagram. Perhatikan cuplikan tabel berikut :
Jumlah Kematian Kasus Covid 19 di Desa A dan B, Kecamatan Kota Baru

Bulan Oktober, 2020
Sumber : data Puskesmas xx, Oktober 2020
Sebuah tabel memiliki sejumlah komponen dalam tabel yang tersusun dalam
baris dan kolom. Sebelum kita berlanjut, Coba Anda pasangkan komponen tabel
beikut ini:
Jumlah Kematian Kasus Covid 19 di Desa A dan B, Kecamatan Kota Baru

Bulan Oktober, 2020
Sumber : data Puskesmas xx, Oktober 2020
Pasangkan Komponen tabel berikut berdasarkan warna pada tabel di atas
Warna Komponen
  Label Kolom
  Label Baris
  Data Cell
  Sumber data
  Judul Tabel
  Total Kolom

Cocokan jawaban Anda pada bahasan berikut Judul Tabel Deskriptif, memberi
informasi Apa, kapan dan di mana
Sel Data
Label Kolom
Label Baris
Total Kolom
Sumber Data
Pada bagian atas tabel terdapat Judul Tabel yang mendeskripsikan

kondisi kejadian (misal kasus penyakit), Waktu (minggu/bulan/tahun) dan
tempat. Setiap kotak data dalam tabel disebut sel (cell). Pada tabel
tersebut, setiap sel merepresentasikan jumlah orang. Tabel tersebut
memiliki Label baris pada kolom paling kiri, serta Label kolom pada baris
paling atas. Label baris dan label kolom merepresentasikan kategori yang
jelas dan tidak tumpeng tindih. Setiap baris dan kolom dapat memilki
jumlah total. Total kolom. Berada pada baris terbawah, dan total baris ada
di kolom paling kanan (jika ada). Pada bagian bawah, jangan lupakan
untuk selalu menuliskan sumber data.
Tabel dan grafik harus dapat “berdiri sendiri”. Ini berarti, misalnya, jika
tabel atau grafik dipisahkan dari laporan lengkap atau disalin dan
dipasang di papan buletin, pembaca akan tetap memahami maksud
penulis, jenis, lokasi, dan waktu kejaduan ksus, serta pesan utama dari
tabel tersebut.
Ada banyak jenis tabel yang dapat digunakan untuk meringkas dan
menampilkan data. Beberapa yang sering digunakan yaitu:
1. Tabel 1 variabel (Tabel Distribusi Frekuensi),
Tabel ini memuat nilai dari sebuah variabel. Tabel jenis ini dapat
digunakan untuk meringkas baik variabel kuantitatif maupun kualitatif.
Misalkan variabel jenis kelamin (kualitatif) dan variabel kelompok
umur (kuantitatf).
Jika variabel kuantitatif memiliki rentang pilihan yang terbatas, seperti
jumlah dosis vaksin polio yang diterima seorang anak, distribusi
frekuensinya bisa seperti variabel kualitatif, yang mencantumkan

setiap kemungkinan. Namun, jika variabel kuantitatif memiliki rentang
kemungkinan nilai yang luas, seperti usia atau berat badan, maka
kelompok nilai, yang disebut kategori atau rentang atau interval,
mungkin perlu dibuat. Untuk usia, kita mungkin menggunakan
kelompok usia 10 tahun atau apa pun standar untuk penyakit
tersebut. Anda dapat pula mennggunakan pengelompokkan yang
berlaku umum, seperti menggunakan standar WHO.
Contoh:
Jumlah Penemuan Kasus TB di Kabupaten ABC, tahun 2020
Jenis Kelamin Jumlah Kasus Persen

Perempuan 83 66,4 %
Laki – Laki 42 33,6 %
Total 125 100 %
Kolom Data Kasus Persentase

Variabel
Jumlah Penemuan Kasus TB, berdasarkan usia,

di Kabupaten ABC, tahun 2020
Usia (tahun) Jumlah Kasus Persen

<5 1 0,8 %
5 – 14 5 4,0 %
15 – 24 23 18,4 %
25 – 34 21 16,8 %
35 – 44 21 16,8 %
45 – 54 29 23,3 %
55 – 64 - 0,0 %
 65 10 8,0 %
Tidak diketahui 15 12,0 %

Total 125 100 %
Kolom Data Kasus Persentase

Variabel

Berdasarkan tabel ke - 2, Berapa persentase kasus TB
yang terjadi pada kelompok umur < 15 tahun ?
Apabila ada kasus individu, di mana seorang remaja memliki usia 14 tahun
11 bulan, maka datanya akan dimasukkan pada kelompok usia mana pada
tabel tersebut ?
2. Tabel 2 variabel,
Tabel ini memuat 2 variabel secara bersamaan, 1 variabel diletakkan

di baris paling atas (label baris), dan 1 variabel lainnya di kolom
paling kiri (label kolom). Tabel ini sering dikenal dengan istilah
“cross-tab”, atau tabel kontingensi. Contohnya variabel kelompok
umur dan jenis kelamin yang ditampilkan secara bersamaan sebagai
berikut:
Usia (tahun) Perempuan Laki - Laki Total

<5 0 1 1
5 – 14 3 2 5
15 – 24 9 14 23
25 – 34 5 16 21
35 – 44 6 15 21
45 – 54 8 21 29
56 – 64 0 0 0
 65 3 7 10
Tidak diketahui 8 7 15
Total 42 83 125
Terkadang pada tabel 2 variabel dapat pula ditambahkan kolom
yang menunjukkan persen, sebagaimana pada tabel 1 variabel.
Berdasarkan tabel 2-variabel tersebut, Apakah Anda

melihat adanya pola hubungan antara kasus TB dengan
usia atau jenis kelamin

Kemudian perhatikan tabel berikut ini:
Karakteristik Kunjungan Anak ke Faskankes dengan Demam,

di Tanzania, 2019
Usia Jumlah Pesen Jenis Kelamin Jumlah Pesen

<1 150 29.6 Perempuan 237 46.7
1-2 228 45.0 Laki - laki 270 53.3
3-4 75 14.8 Total 507 100
5-7 36 7.1
8-10 18 3.6 Gejala Jumlah Pesen
Total 507 100.0 Demam 313 63.0
Batuk 56 11.3
Muntah 47 9.5
Sumber : Diare 33 6.6
Tanzania Fever Study, 2019 Sakit Perut 15 3.0
Lainnya 33 6.6
Total 497 100.0
* data missing 10
Apakah tabel tersebut termasuk tipe tabel 1

variabel atau tabel 2 variabel ? Jelaskan
Apa gejala paling umum yang dialami anak-

anak? Di mana informasi itu diperoleh pada
tabel?
Ini merupakan poin penting yang

harus Anda perhatikan saat Anda
membuat tabel. Pandangan pembaca
tertuju mulai dari bagian atas
tabel. Untuk itu, buat daftar
item dari yang paling umum hingga
yang paling tidak umum atau yang
paling penting hingga yang paling
tidak penting.

3. Tabel kombinasi / Tabel komposit
Tabel kombinasi mengkompilasi beberapa tabel 1-variabel dan tabel

2-variabel. Tabel komposit:
✓ Menggabungkan data dari beberapa tabel yang berbeda menjadi
satu tabel.
✓ Menampilkan data dalam format yang efisien.
✓ Merupakan format yang berguna untuk laporan tertulis,
manuskrip, dan presentasi lisan.
Untuk dapat membuat tabel kombinasi, Anda perlu mempersiapkan
terlebih dahulu tabel sederhana. Tabel ini seringkali digunakan dalam
penulisan jurnal, artikel atau media publikasi lainnya. Pada banyak
media publikasi, tabel kombinasi digunakan untuk meringkas data
demografi responden.
Contoh berikut adalah kombinasi dari 3 tabel yang ada pada halaman 21.
Karakteristik Kunjungan Anak ke Fasyankes dengan Gejala Demam,

di Tanzania, 2019
Karakteristik Jumlah (%)
Jenis Kelamin, Perempuan 237/507 (47)

Usia (n=507)
<1 150 (29.6)
1-2 228 (45.0)
3-4 75 (14.8)
5-7 36 (7.1)
8-10 18 (3.6)
Gejala (n=497)
Demam 313 (63,0)
Batuk 56 (11,3)
Muntah 47 (9,5)
Diare 33 (6,6)
Sakit Perut 15 (3,0)
Lainnya 33 (6,6)
Tabel tersebut menampilkan karakteristik anak-anak dengan tiga

variabel yang sama – jenis kelamin, usia, dan gejala utama seperti
sebelumnya, tetapi dengan cara yang lebih ringkas. Tabel komposit
menggabungkan dan memadatkan informasi dari tiga atau lebih tabel
terpisah menjadi satu tabel yang lebih sederhana.

C. Penyajian Data dengan Diagram
Diagram dapat diartikan sebagai sebuah gambar sederhana yang
menggunakan garis dan simbol untuk menggambarkan struktur dari obyek
tertentu atau suatu representasi simbolis informasi dalam bentuk geometri dua
dimensi sesuai teknik visualisasi. Istilah diagram seringkali disinonimkan dengan
grafik maupun bagan. Namun pada modul ini kita akan menggunakan istilah
umum diagram.
Selain tabel, diagram merupakan alat lain yang sering digunakan untuk
meringkas dan menampilkan data deskriptif. Pada aplikasi ms office, pembuatan
diagram dapat ditemukan pada menu chart. Seperti halnya tabel, diagram dapat
menunjukkan pola, trend, penyimpangan, persamaan, dan perbedaan dalam
data. Sering kali kita lebih mudah untuk melihat dan memahami detail data
dengan melihat diagram daripada dengan melihat data yang sama dalam
bentuk tabel. Namun, kami menganjurkan Anda untuk mengatur data ke
dalam tabel terlebih dahulu sebelum menampilkannya dalam diagram.
Berbagai jenis diagram digunakan untuk menampilkan informasi untuk setiap

jenis variabel. Variabel kuantitatif seperti usia, dan berat badan memiliki nilai
berurutan yang kontinyu dapat ditampilkan menggunakan diagram histogram. Di
sisi lain, variabel kualitatif seperti status sakit (ya/tidak) mewakili data yang
diskontinu, jadi dapat ditampilkan menggunakan diagram batang. Ada berbagai
jenis diagram yang dapat digunakan untuk menampilkan data surveilans
kesehatan masyarakat, namun pada modul ini hanya 4 yang akan kita bahas di
antara jenis yang paling umum, yaitu diagram lingkaran, garis, batang dan
histogram
1) Diagram Lingkaran
Diagram lingkaran dapat disajikan dalam bentuk persentase atau derajat.

Setiap persentase atau derajat dalam lingkaran mewakili frekuensi dari
keseluruhan data. Dalam perkembangan teknologi informasi dan komunikasi,
pembuatan diagram pie tidak lagi menggunakan manual tetapi menggunakan
komputer, salah satunya dengan program Ms Office Excel. Contoh diagram
lingkaran
Gambar 1

2) Diagram Garis
Diagram garis sering disebut juga diagram garis (line chart) atau kurva
(curve), merupakan bentuk penyajian yang paling banyak dipakai dalam
berbagai laporan epidemiologi dan penelitian ilmiah. Diagram ini cocok untuk
tampilan data yang dapat diklasifikasi secara kronologis (data deret berkala)
(time series). Sebagian besar distribusi data dapat diklasifikasi secara
kuantitatif dalam bentuk distribusi frekuensi. Hasil kedua cara klasifikasi
tersebut dapat digambarkan secara visual dalam bentuk diagram garis.
Dalam epidemiologi lapangan, diagram garis paling sering digunakan untuk
menampilkan data dari waktu ke waktu. Contoh
JUDUL
Gambar 2
DATA-DATA
KETERANGAN
Sumber Data Axis Y Axis X
Mari kita bahas komponen dari diagram garis yang ditampilkan pada gambar 2.
Pada bagian dasar terdapat garis mendatar yang disebut axis X (sumbu X).
Pada data epidemiologi, sumbu x seringkali menggambarkan variabel waktu,
seperti hari, minggu dan bulan. Interval pada sumbu x (sumbu horizontal)
adalah sama. Satu sentimeter di mana saja pada sumbu x mewakili jumlah
waktu yang sama, dalam contoh ini, adalah variabel bulan.
Lalu apa itu Axis Y (sumbu Y) ?

Sumbu y adalah sumbu vertikal sepanjang sisi.
Sumbu y biasanya menggambarkan kuantitas seperti jumlah kasus atau insiden
atau tingkat prevalensi.
Dalam epidemiologi, kami sangat menyarankan agar sumbu y dimulai dari nol
dan melampaui nilai terbesar dalam data yang akan dibuat grafiknya. Untuk
grafik garis sederhana, interval pada sumbu y adalah sama. Dalam contoh ini,
setiap interval mewakili 2 kasus. Dan tentu saja fitur utama dari grafik adalah

data. Untuk diagram garis yaitu diagram yang menghubungkan titik-titik data
sehingga membentuk garis.
Seperti halnya judul pada tabel, Judul pada diagram garis meliputi nama
penyakit, lokasi, dan rentang tanggal data (orang, tempat, waktu).
Legenda menjelaskan jenis garis atau warna yang digunakan untuk setiap
variabel jika lebih dari satu yang ditampilkan.
Latihan
Data kasus terkonfirmasi campak di Negara N, pada 33 minggu pertama tahun

2019.
Berdasarkan data tersebut,

Tentukan Label Sumbu X :
Tentukan Label Sumbu Y :
Nilai batas atas dan batas bawah apa yang akan Anda
gunakan untuk sumbu Y?
Berapa jarak Interval yang akan Anda gunakan pada sumbu X ?
Berapa jarak Interval yang akan Anda gunakan pada sumbu Y ?
Judul apa yang Anda usulkan untuk grafik kasus campak ini?

Mari selanjutnya kita beralih ke diagram batang
3) Diagram Batang
Diagram batang memberikan cara mudah untuk membandingkan besaran

relatif dari berbagai nilai variabel kualitatif seperti jenis kelamin, distrik, atau
pekerjaan. Seperti yang akan segera Anda lihat, diagram batang dapat
berupa vertikal dengan kolom atau horizontal dengan batang. Setiap kolom
atau batang memiliki lebar yang sama, dan kolom atau batang memiliki spasi
atau celah di antaranya. Kita akan membahas tiga jenis diagram batang –
sederhana, horizontal dan berkelompok. Jenis yang digunakan tergantung
pada data yang Anda miliki dan poin apa yang ingin Anda buat.
Diagram Batang Sederhana
Kepada Siapa ODHA pertama kali mengungkapkan

Status HIVnya, Survei pada Pasien RS Gombe (n198),
Nigeria, 2011
Gambar 3. Diagram Batang Sederhana
Gambar 3 merupakan contoh diagram batang sederhana yang menampilkan

jawaban atas satu pertanyaan yang diajukan kepada orang dewasa HIV-
positif di Gombe, Nigeria — “Kepada siapa Anda pertama kali
mengungkapkan status HIV-positif Anda?” Pertanyaan ini hanya dapat
dijawab 1 kali oleh setiap responden.
Tanggapan yang didapat bisa saja disajikan dalam distribusi frekuensi, tetapi
grafik batang menunjukkan informasi yang sama dalam bentuk grafis. Kolom
disusun menurut abjad. Terkadang, kolom dan data disajikan sesuai urutan
pertanyaannya pada kuesioner.
Bisakah Anda menyarankan cara lain (yang lebih

baik) untuk menampilkan data tersebut?

Bagaimana dengan tampilan gambar 4 berikut?
Gambar 4 memuat data yang sama dengan gambar 3, namun dengan kolom
disusun dari opsi yang dipilih paling banyak hingga ke opsi paling sedikit
dipilih. Tampilan ini lebih mudah untuk dilihat sesuai urutan pilihan
responden.
Kepada Siapa ODHA pertama kali mengungkapkan
Status HIVnya, Survei pada Pasien RS Gombe (n198),
Nigeria, 2011
Gambar 4. Diagram Batang Sederhana
Diagram mana yang menurut Anda lebih informatif ?

Mengapa?
Ingatlah untuk selalu memberi kesan pertama dari
tampilan data Anda
Sekarang perhatikan diagram berikut
Penyebab Ketidakpatuhan Pasien pada Pengobatan TB

menurut petugas Kesehatan di kota X, Nigeria, Tahun Diagram batang ini sedikit
2011 lebih kompleks, karena
responden dapat
memberikan lebih dari satu
jawaban untuk 1
pertanyaan, “Menurut
Anda, apa alasan utama
pasien TB berhenti minum
obat?” Kolom-kolom
tersebut tidak berjumlah
100%, karena responden
dapat menjawab ya untuk
Gambar 5. Diagram Batang vertikal salah satu atau semua
opsi yang tersedia.

Bisakah Anda menyarankan cara lain (yang lebih baik) untuk
menampilkan data tersebut?
Bagaimana dengan tampilan gambar 6 berikut:
Penyebab Ketidakpatuhan Pasien pada Pengobatan TB

menurut petugas Kesehatan di kota X, Nigeria, Tahun
2011
Gambar 6. Diagram Batang Horizontal
Diagram pada gambar 6 menampilkan data yang sama seperti diagram

sebelumnya, tetapi menggunakan diagram batang horizontal daripada
diagram vertikal.
Keuntungan dari diagram batang horizontal adalah seseorang dapat
menggunakan font yang lebih besar untuk label kategori yang panjang;
karena label berada pada satu baris. Ini membuat mereka lebih mudah
dibaca. Diagram batang horizontal menampilkan opsi yang paling banyak
dipilih pada tampilan paling atas, hingga opsi yang paling tidak umum dipilih
oleh responden di paling bawah.
Diagram mana yang Anda rasa memberikan infromasi yang

lebih mudah dibaca ?
Jika di kemudian hari Anda diminta membuat tampilan
sejenis, mana yang akan Anda pilih, batang Horizontal atau
vertical ?

Kita beralih pada bentuk diagram batang terakhir yang akan kita bahas.
Bentuk diagram batang lain yang sering digunakan, adalah Diagram Batang
Berkelompok
Distribusi Balita yang keracunan timbal menurut

jenis kelamin dan umur, di Zamfara, Nigeria,
September 2010
Gambar 7. Diagram Batang Berkelompok
Gambar 7 merupakan contoh diagram batang yang dikelompokkan. Diagram

tersebut menampilkan dua variabel sekaligus — dalam contoh ini, usia dan
jenis kelamin. Anda dengan mudah dapat melihat kolom mana dari setiap
pasangan yang lebih tinggi, dengan lebih banyak kasus pada balita
perempuan daripada laki-laki di setiap kelompok umur kecuali pada
kelompok 36–47 bulan. Anda juga dapat melacak tren di antara balita laki-laki
dengan membandingkan kolom biru, dan secara terpisah Anda dapat
melacak tren di antara balita perempuan dengan membandingkan kolom
merah, tetapi melakukannya sedikit lebih sulit karena terpisah satu sama lain.
Poin lain tentang diagram batang yang dikelompokkan adalah Anda tidak
dapat dengan mudah menambahkan dua kolom untuk menentukan jumlah
total anak di setiap kelompok usia.
Bandingkan dengan tampilan Gambar 8 berikut ini:
Distribusi Balita yang keracunan timbal menurut

jenis kelamin dan umur, di Zamfara, Nigeria,
September 2010
Gambar 8. Diagram Batang Bertumpuk

Gambar 8 memuat data yang sama seperti yang ditunjukkan pada Gambar 7,
tetapi sekarang ditampilkan dalam Diargam batang bertumpuk. Melihat
jumlah anak pada setiap kelompok umur menjadi lebih mudah dan dapat
dibandingkan. Selain itu, trend pada kelompok balita laki-laki (batang biru)
juga mudah terlihat karena berada di garis dasar. Namun membandingkan
trend pada balita perempuan lebih sulit karena batang merah muda tidak
berada pada garis dasar yang konsisten.
Kedua diagram tersebut (baik berkelompok maupun bertumpuk) sama
benarnya. Namun saat membuat diagram Anda harus memutuskan data
mana yang paling penting untuk ditonjolkan, dan memilih diagram yang
paling menggambarkan data tersebut.
Selanjutnya kita akan membahas mengenai Histogram
4) Histogram
Seperti diagram garis, histogram paling sering digunakan untuk membuat

tampilan data kontinu seperti untuk variable waktu. Histogram sering
digunakan untuk menunjukkan perjalanan waktu wabah. Ketika histogram
digunakan untuk menampilkan jumlah kasus dari waktu ke waktu selama
wabah, ini disebut "Kurva Epidemi" atau singkatnya "Kurva Epi". Histogram
juga dapat digunakan untuk menunjukkan distribusi variabel kuantitatif seperti
usia, berat badan, atau tinggi badan.
Karakteristik histogram meliputi:

• Sumbu x biasanya menampilkan waktu (misalnya: tanggal onset).
• Seharusnya tidak ada spasi di antara kolom yang berdekatan. Kolom
harus saling menyentuh.
• Interval sepanjang sumbu x harus sama.
• Sumbu y biasanya mewakili frekuensi (biasanya, jumlah kasus).
• Jika kolom memiliki lebar yang sama (yang sangat kami sarankan), tinggi
kolom sebanding dengan jumlah pengamatan dalam interval tersebut.

Contoh
Jumlah Kasus Difteri pada Pengungsi Rohingya di Bangladesh, Desember 2017
Gambar 9. Histogram
Informasi Apa yang Anda dapatkan mengenai pola

yang ditunjukkan pada histogram tersebut?
Kini, Mari secara singkat kita bandingkan antara penggunaan Diagram

Batang dan Histogram
Histogram Diagram Batang

Digunakan untuk variable Kuantitatif Digunakan untuk variable Kualitatif
Digunakan untuk menunjukkan Digunakan untuk membandingkan kategori
distribusi frekuensi dari variable antar variabel kualitatif
kuantitatif
kurva epidemic Kelompok umur, jenis kelamin, geljala dll
atur ulang urutan kolom? atur ulang urutan kolom?
Tidak / Jangan Ya, urutkan dari yang paling banyak hingga
yang paling sedikit.

5) Diagram Kombinasi : Kombinasi diagram batang dan garis
Apa itu Diagram Kombinasi?

Diagram kombinasi adalah visualisasi yang menggabungkan fitur diagram
batang dan diagram garis. Diagram kombinasi menampilkan data
menggunakan sejumlah batang dan/atau garis, yang masing-masing
mewakili kategori tertentu. Kombinasi batang dan garis dalam visualisasi
yang sama dapat berguna saat membandingkan nilai dalam kategori yang
berbeda, karena kombinasi tersebut memberikan pandangan yang jelas
tentang kategori mana yang lebih tinggi atau lebih rendah.
Contohnya dapat dilihat saat kita ingin menampilkan trend jumlah kasus serta
positive rate kasus tersebut dalam 1 diagram yang sama. Perhatikan gambar
10 berikut. Ini:
Gambar 10. Diagram Kombinasi

D. PETA / MAP
Metode penyajian data deskriptif selanjutnya adalah peta. Peta adalah bagan
yang menyertakan koordinat geografis untuk menggambarkan ada tidaknya
variabel di lokasi tertentu. Peta digunakan untuk menggambarkan atau
menampilkan distribusi geografis penyakit, lokasi populasi, klinik, laboratorium,
lokasi paparan, dll. Meskipun ada banyak jenis peta, pada modul ini kita akan
bahas dua jenis peta yang paling umum digunakan yaitu: peta titik dan peta
area.
1) Peta Titik
Gambar 11. Peta Titik
Gambar ini mungkin peta paling terkenal dalam kesehatan masyarakat. Ini
adalah peta yang dibuat oleh John Snow, seorang dokter dan ahli anestesi
untuk Ratu Inggris yang juga seorang ahli epidemiologi otodidak. Dia
memetakan tempat tinggal orang-orang yang meninggal karena kolera selama
epidemi di area Golden Square London pada tahun 1848. Pada saat itu, banyak
ilmuwan percaya bahwa kolera menyebar melalui "udara buruk", tetapi John
Snow percaya bahwa kolera disebarkan melalui air. Jadi, dia menandai lokasi
pompa air di daerah itu dan melihat kasusnya berpusat di sekitar pompa di
Broad Street. Pegangan pompa dilepas dan epidemi berakhir. Kebanyakan ahli
epidemiologi menandai penyelidikan ini sebagai kelahiran epidemiologi
lapangan.
Pada peta titik, simbol seperti lingkaran, X, atau ikon lainnya digunakan untuk
mewakili kasus penyakit atau peristiwa lainnya. Ukuran lingkaran yang
digunakan dengan peta titik dapat proporsional dengan jumlah orang sakit, yang
merupakan perkiraan beban penyakit.

2) Peta Area
Gambar 12. Peta Area
Ini adalah peta area yang menampilkan distribusi geografis kasus wabah di
Madagaskar selama epidemi wabah 2017.
Perhatikan bahwa intensitas pewarnaan mencerminkan jumlah kasus per
wilayah geografis; warna yang lebih terang mencerminkan lebih sedikit
kasus wabah, dan warna yang lebih gelap mencerminkan lebih banyak
kasus wabah. Selain itu, di sisi kanan atas gambar ini terdapat peta yang
lebih kecil yang menunjukkan lokasi Madagaskar (warna merah) di lepas
pantai tenggara Afrika.

SEKARANG SAYA TAHU
- Data dapat disusun dan disajikan dalam bentuk tekstual, tabel, diagram dan
peta.
- Tampilan data membantu proses verivikasi dan analisis data, mengetahui
pola dan tren yang ada serta memudahkan komunikasi dengan pihak lain.
- Saat membuat tampilan tekstual, gunakan kata yang tepat, pendek, sesuai
kaidah Bahasa Indonesia, jangan memberikan arti ganda serta mencakup
informasi apa, dimana, kapan pengumpulan data itu dilakukan .
- Sebelum membuat diagram, selalu mulai dengan membuat table.
- Jenis table yang sering digunakan
o Tabel 1-variabel menunjukkan distribusi frekuensi
o Tabel 2-variabel
o Tabel komposit
- Diagram yang sering digunakan dalam penyajian data epidemiologi dapat
dirangkum sbb:
Tampilan Penggunaan
Diagram lingkaran Untuk menyajikan frekuensi (jumlah) dari setiap variable
data kualitatif, berbentu presentase atau proporsi
Diagram garis Untuk membuat tampilan data yang dapat diklasifikasi
secara kronologis waktu (time series).
Berguna untuk menunjukkan pola atau trend suatu varibel,
terhadap waktu.
Diagram batang Memberikan cara mudah untuk membandingkan besaran
relatif dari berbagai nilai variabel kualitatif.
Memberikan tampilan visual data dari tabel 1 variabel
(diagram batang sederhana), atau 2 variabel (diagram
batang berkelompok)
Histogram Paling sering digunakan untuk membuat tampilan data
kuantitatif kontinu.
Merupakan diagram yang paling sering digunakan pada
epidemiologi lapangan, untuk membuat kurva epidemi
(kasus berdasarkan waktu)
- Peta adalah bagan yang menyertakan koordinat geografis untuk

menggambarkan ada tidaknya variabel di lokasi tertentu. Peta yang sering
digunakan dalam epidemiologi yaitu peta titik dan peta area.

Materi Pokok 3
Penggunan Aplikasi Ms Excel
dalam Pengolahan dan Penyajian data
Pendahuluan
Untuk data set epidemilogi yang cukup banyak, Anda perlu menggunakan suatu
aplikasi untuk mempermudah Anda melakukan pengolahan dan membuat
tampilan data. Salah satu aplikasi sederhana dan umum dijumpai dalam
perangkat komputer/laptop adalah MS Office (dalam hal ini Ms Excel).
Setelah mengikuti materi pokok pelatihan ini, peserta dapat menggunakan Excel
untuk melakukan pengolahan data dan membuat tampilan data
Sub Materi Pokok
1. Penggunan Aplikasi Ms Excel dalam Pengolahan data

2. Penggunan Aplikasi Ms Excel dalam Penyajian data

A. Penggunan Aplikasi Ms Excel dalam Pengolahan data
Pada modul ini, Anda akan mempelajari beberapa fungsi yang ada pada MS
Excel untuk membantu Anda melakukan pengolahan data
1. Formula
Penjelasan • Formula merupakan perintah yang dirancang sendiri oleh

pengguna.
• Untuk membuat suatu formula selalu diawali dengan
tanda “samadengan” (=).
• Merupakan sebuah instruksi untuk dilakukan oleh excel.
• Rumus paling sederhana memberitahu Excel untuk
menambah, mengurangi, mengalikan, atau membagi sel,
kolom, atau baris data.
• Contoh sebuah formula “=A1+A2” merupakan formula
yang akan memberikan hasil perhitungan penambahan
nilai yang ada di sel A1 dan A2
Saatnya Tuliskan sebuah Formula :

Praktek 1. Perhatikan worksheet berikut. Tuliskan Pada sel D4 atau
pada “formula bar” rumus “ =B4+C4” (Gambar 1).
2. Kemudian Tekan Enter.
Gambar 13. Menulis Formula

Berapa Nilai yang Anda dapatkan ?
Jika rumus Anda benar, Anda akan mendapatkan nilai 13
(lihat sell D4, Gambar 13).
Klik pada sel D4.Apa yang Nampak pada “Formula Bar”?
Ya, Formula.
Untuk membuat formula itu berlaku pada seluruh kolom D, maka

lakukan Drag dan drop formula mulai dari sel D2 hingga sel D10.
(Tarik tanda + yang tampak pada sudut sel seperti gambar
berikut)

+
Gambar 14. Drag formula
2. Function / Fungsi
Penjelasan • Function adalah bagian dari kode komputer yang

dirancang untuk menghitung nilai tertentu
• Function meringkas multistep-formula
• Lebih cepat daripada menulis rumus/formula.
• Fungsi sederhana dapat ditemukan pada menu Home
dan menu Formula. Anda bisa langusng memilih salah
+
satu fungsi dengan meng-klik dropdown pada tanda
sigma (Ʃ) Lihat gambar 15). Atau Anda dapat pula
menggunakan formula bar, icon (Gambar 15)
memudahkan Anda untuk membuka
“dialogue box”, untuk melihat lebih banyak
fungsi yang tersedia .
Gambar 15. Function dan menu jumlah
Jelajahi • Pilih Icon maka dialogue box akan terbuka.

Kategori • Jelajahi menu dan kategori yang tersedia
Fungsi
Gambar 16. Function

Fungsi Banyak fungsi yang digunakan dalam pengolahan data
Statistik surveilans dapat ditemukan dalam kategori Fungsi Statistik
“Statistical Function” (Gambar 17):
Gambar 17. Statistical Function
Formula yang Berikut formula yang paling sering digunakan dalam mengolah
paling sering data surveilans.
digunakan AVERAGE – digunakan untuk menghitung rata-rata nilai (mean)
dalam dalam rentang sel yang dipilih.
Statistical MEDIAN – digunakan untuk menghitung nilai tengah (median)
Functions dalam rentang sel yang dipilih.
MIN – untuk menunjukkan nilai terkecil (nilai minimum) dalam
rentang sel yang dipilih.
MAX – untuk menunjukkan nilai terbesarl (nilai maksimum)
dalam rentang sel yang dipilih
MODE – digunakan untuk menampilkan nilai modus (nilai yang
paling sering muncul) dalam rentang sel yang dipilih.
SD – menampilkan standar deviasi dalam rentang yang berisi
angka yang dipilih
SUM – digunakan untuk menghitung jumlah nilai (total/Sum)
dalam rentang sel yang dipilih
COUNT – menampilkan jumlah sel dalam rentang yang berisikan
angka
COUNT IF – untuk menghitung jumlah sel yang memenuhi
kriteria; misalnya, untuk menghitung berapa kali kota tertentu
muncul dalam daftar pasien / penderita suatu kasus
Saatnya Coba temukan jumlah staf yang terpapar sakit
Praktek 1. Buka File ……….
2. Letakan kursor mouse pada sel B11 (pada sel ini
jawaban akan ditampilkan).
3. Pilih simbol

4. Pilih SUM (Gambar 18).
Gambar 18. Insert Function Dialogue Box
5. Pilih cells B2:B10. (tarik mouse hingga mengarsir rentang

area yg dipilih)
6. Kemudian Klik Enter, untuk mendapatkan jumlah total
staf yang sakit pada kolom B (Gambar 19 Hasil pada
kotak merah). Amati pula formula yang nampak pada
formula bar.
Gambar 19. Amati hasil dan formula bar

7. Jika langkah Anda benar, Anda akan mendapatkan
jumlah 24. Betulkan jawaban yg Anda dapatkan ?

3. Paste Special - Paste As Values
Penjelasan Sebuah sel yang merupakan hasil perhitungan suatu Formula

atau functions, TIDAK dapat langsung di SORT atau di filter.
Anda perlu terlebih dahulu melakukan COPY, kemudian
PASTE VALUES pada keseluruhan data sebelum melakukan
SORT atau filter.
Anda mungkin perlu menggunakan angka yang dihasilkan

sebagai hasil dari penggunaan function atau formula
Salin sel yang dihasilkan dengan rumus; lalu tempel di tempat
lain dengan menggunakan menu “paste value”.
Contoh Jika Anda menghitung jumlah staf yang sakit di Kolom B dan
menyalin rumus SUM dan menempelkan sel ke lembar kerja
kosong, Maka Anda mendapatkan kesalahan tampilan Error
atau nol (0) (Gambar 20).
Gambar 20. Error
Sebagai gantinya, Anda dapat menggunakan menu copy dan

lakukan “Paste Special”
1. Pilih sel untuk meletakkan angka (untuk mem-paste)
2. Klik kanan pada mouse untuk melihat opsi.
3. Pilih gambar clipboard dengan "123" di bagian bawah.
Ini memasukkan nilai itu sendiri (24) ke dalam sel dan
bukan rumus. Perhatikan gambar 21
Gambar 21. Paste Special – Paste Value

4. Sort (mengurutkan)
Kenapa perlu Menu “Sort” memungkinkan Anda untuk mengatur satu atau
dilakukan Sort beberapa kolom data.
(mengurutkan)? Dalam pengolahan data surveilans, kita sering ingin mengurutkan
data berdasarkan TANGGAL dan WAKTU sebelum membuat
grafik. Pengurutan juga dapat digunakan untuk mengecak kualitas
data dan untuk mendeteksi data yang hilang atau terduplikasi,
salah eja, dan masalah lainnya.
Melakukan “sort” data pada data yang ingin Anda analisis itu
merupakan hal yang penting.
Manfaat Sort Sort dapat digunakan untuk mengecek:

• Missing data.
• Ejaan yang salah atau tidak konsisten
• Kesalahan dalam mengatur data
• Format yang benar
• Kalkulasi yang benar (formula atau functions).
Saatnya 1. Gunakan data …………………….

Praktek 2. Copy data tersebut ke worksheet baru
Langkah - 3. Pilih seluruh lembar kerja (sheet) dengan mengklik di sudut

langkah kiri atas lembar kerja (Gambar 22)
4. Klik menu Home, maka pada Menu DATA tab, akan terlihat
Sort & Filter (Gambar 23)
Gambar 22 Gambar 23
5. Klik, lalu pilih Custom Sort.

6. Kemudian pilih kriteria pengurutan
7. Sort dialogue window akan muncul (Gambar 24).

8. Klik My data has headers untuk agar header (judul kolom )
tidak ikut ter-sort. (lihat kotak merah pada gambar 24).
9. Lakukan Sort (pengurutan). Anda dapat memilih bagaimana
pengurutan yang diinginkan berdasarkan kolom (column) apa,
nilai (values) (besar ke kecil atau kecil ke besar), dan by
order.

Gambar 24 Sort Box
Contoh 1. Pilih variable RT pada opsi “Sort by” (lihat gambar 25).
1 variabel Sort 2. klik OK.
Gambar 25
3. Apa yang Anda lihat ?
Ya, Data mengurut mulai dari kejadian di RT 1 sd RT 3. (lihat
gambar 11)
Gambar 26. Sort by RT
4. Bagaimana untuk merubah urutan dari RT 3 ke RT 1?

Pada Sort Dialogue box, ubah pilihan order menjadi “largest
to smallest.”
5. Kini saatnya Anda mencoba

Menambah Anda dapat menambahkan variabel pengurutan. Misal
level mengurutkan berdasarkan RT kemudian tanggal onset.
pengurutan
(sort) Gunakan “ Add Level” untuk menambahkan variabel pengurutan.
Semakin banyak kriteria yang Anda tambahkan, semakin spesifik
hasil yang Anda dapatkan (Gambar 27).
Gambar 27
Saatnya Anda mencoba,

1. Klik pada “Add Level”. Maka akan muncul pilihan “then by”
setelah “sort by”
2. Kemudian Pilih variabel “sakit”
3. Maka tampilan Akan mengurutkan RT, kemudian tanggal
kejadian sakit di setiap RT tsb
4. Cocokkan hasil Anda, apakah seperti Gambar 28 berikut ini
Gambar 28

5. Filter
Filtering Data Pemfilteran memungkinkan Anda menampilkan atau

menyembunyikan data tertentu dalam daftar. Hal ini membuat
kumpulan data besar lebih mudah digunakan sesuai kebutuhan.
Saatnya 1. Gunakan data yang sama dengan latihan sort

Praktek 2. Pilih semua data di lembar kerja dengan mengklik sudut kiri
atas lembar kerja.
3. Menu Filter terletak satu tempat dengan menu SORT.Cari
ikon Filter, dan klik (Gambar 29).
4. Maka setiap kolom sekarang memiliki panah di sebelah
huruf A, B, C, dll atau d sebelah judul kolom (Gambar 20)
Gambar 29 Gambar 30
Eksplore 5. Klik tanda panah pada kolom RT dan un-check pada kolom
lebih lanjut “Select All”. (gambar 31-tengah)
6. Kemudian Klik pada pilihan 2 pada checkbox. (gambar 31-
kanan)
7. Klik OK. (gambar 31)
8. Maka excel hanya akan menampilkan data pada RT 2 dari
dataset tersebut.
9. Jika anda klik Kembali menu filter maka tanda panah akan
hilang. Dan data RT 1 dan 3 akan Kembali muncul. Ini
artinya Anda sudah keluar dari menu filter
Gambar 31

Jika Anda mengikuti Langkah dengan benar, Anda akan
mendapatkan hasil sebagaimana Nampak pada gambar 32
Gambar 32
Sampai tahap ini, Anda sudah mempelajari 5 fitur menu pengolahan data pada
MS Excel. Untuk merangkum pemahaman Anda, Silahkan coba kerjakan
Latihan berikut:
Anda mendapatkan laporan kasus difteri di Kabupaten X, dengan tabel yang

berisi variable :
No. Nama Tanggal Jenis Usia Kecamatan RT RW St.

Onset Kelamin Imunisasi
A B
Contoh :
Anda ingin melihat modus usia kasus Gunakan Menu function –
Avarage pada kolom usia
Soal
Anda ingin melihat rentang usia kasus
Anda ingin melihat modus dan rata rata usia kasus
Anda ingin melihat angka kejadian kasus per
Kecamatan di Kabupaten tersebut.
Anda ingin melihat kasus sesuai urutan tanggal onset
Anda ingin melihat angka kejadian kasus per
Kecamatan di Kabupaten tersebut, sekaligus
diurutkan berdasarkan tanggal onset
Keterangan
Kolom A: Berisi Pernyataan / kondisi yang ingin dilakukan
Kolom B: Isilah dengan menu yang menurut Anda diperlukan dalam pengolahan
data sesuai pernyataan pada kolom A (formula, function, Paste Value, sort, Filter)

B. Penggunan Aplikasi Ms Excel dalam Penyajian data
Pada modul ini, Anda akan mempelajari beberapa fungsi yang ada pada MS
Excel untuk membantu Anda melakukan penyajian data
1. Pivot Tabel
Penjelasan Pivot Tabel adalah fitur yang memungkinkan pengguna mengambil

informasi dengan cepat dari kumpulan data dalam jumlah besar. Pivot
Tabel dapat digunakan sebagai alternatif untuk melakukan analisis
data terkait mengelompokkan dan meringkas data. Dengan
menggunakan Pivot Tabel, pengguna dapat menghemat waktu
secara signifikan.
Saatnya 1. Gunakan data ………..
Praktek 2. Pilih Insert
3. Pilih Pivot Tabel (gambar 33)
Figure 33. Pivot Tabel
Maka akan muncul kotak dialog “create pivot tabel” (Gambar 34)
Select a
table or
range
Gambar 34
Pada “select tabel or range” – arsir tabel atau keseluruhan data yang
ingin di-pivot, lalu klik OK
Maka akan muncul “Pivot Tabel Field” (gambar 35), beserta nama
nama variabel yang ada pada data Anda. Kemudian Tarik variabel
yang ingin dijadikan variabel kolom, dan variabel baris

Gambar 35
Count of KELAMIN Column Labels

Row Labels Laki-laki Perempuan Grand Total
Ahli Teknologi Laboratorium Medik 5 26 31
Bidan 26 26
Dokter Gigi 4 2 6
Dokter Umum 6 18 24
Perawat 14 8 22
Tenaga Farmasi 12 17 29
Tenaga Gizi 8 22 30
Tenaga Kesehatan Lingkungan 4 19 23
Tenaga Kesehatan Masyarakat 8 19 27
Grand Total 61 157 218
Gambar 36
Maka Akan muncul tabulasi sesuai yang Anda inginkan, sebagaimana

tampil pada gambar 36. Bandingkan hasil praktek Anda dengan tabel
tersebut.

2. Diagram Lingkaran
Penjelasan Langkah – langkah membentuk diagram lingkaran dengan Ms.Excel

sebagai berikut
1. Pilih range data yang akan digunakan (blok)
2. Kemudian klik tombol perintah insert, lalu pilih pie pada menu
menu chart (gambar 37)
3. Anda dapat memilih diagram 2 Dimensi atau 3 Dimensi
4. Setelah muncul hasil diagram lingkaran, Anda dapat klik 2 x pada
bagian judul untuk merubah judul diagram, Ataupun dengan meng
klik “add chart element” (gambar 38
5. Anda bisa membuat keterangan legenda dengan merubah source
data, lalu merubah di “horizontal (category) axis label” (gambar
39). Anda dapat merubah dengan klik “edit” lalu nilai 1 dan 2 dapat
Anda sesuaikan menjadi 1 : laki laki dan 2 : perempuan
Gambar 37 Gambar 38
Horizontal
(category) axis
labels)
Gambar 39

3. Diagram Batang dan Histogram
Diagram Batang Diagram batang menampilkan distribusi frekuensi suatu

variabel seperti penyakit, gejala, dll.
(Note:Excel
Beberapa ketentuan tentang diagram Batang yaitu:
mengacu pada
1. Setiap batang mewakili nilai dari sebuah variabel.
bagan batang
2. Bagan dapat diatur/ditampilkan sebagai batang vertikal
vertikal sebagai
atau batang horizontal.
bagan kolom)
3. Untuk diagram batang vertikal (“bagan kolom”), tinggi
kolom mewakili frekuensi. Untuk diagram batang
horizontal, panjang batang mewakili frekuensi.
4. Diagram batang digunakan untuk variabel nominal
(kategori), sehingga tiap batang dipisahkan oleh celah
(tidak menempel satu sama lain).
Histogram Histogram mirip dengan diagram batang vertikal ("bagan

kolom"), tetapi histogram digunakan untuk variabel kontinu
seperti waktu (jam, hari, bulan), yang biasanya ditempatkan
pada sumbu horizontal (sumbu x).
Oleh karena itu, tiap batang yang berdekatan harus
bersentuhan (menempel). Dengan kata lain, batang dalam
interval tidak boleh dipisahkan oleh celah. Contoh : tidak
ada jeda waktu antara hari terakhir bulan Oktober dan hari
pertama bulan November.
Kurva Epidemi Kurva epidemi adalah histogram yang menampilkan

distribusi kasus selama wabah atau epidemi berdasarkan
tanggal timbulnya penyakit (tanggal onset).
Kurva epidemi selalu ditampilkan dalam bentuk diagram
batang vertical (bagan kolom).
1. Sumbu X menampilkan periode waktu.
2. Sumbu Y menampilkan jumlah kasus.
3. Tinggi setiap kolom mencerminkan jumlah kasus yang
terjadi selama periode waktu tersebut.

Saatnya 1. Gunakan data ………….
Praktek 2. Pilih Data Pada kolom A hingga C.
membuat 3. Pindahkan kursor menuju pojok kanan bawah dataset
Histogram untuk memilih dataset yang akan dibuat. Tampilannya
akan seperti berikut ini (Gambar 40).
Gambar 40
4. Klik pada Menu Insert , Pilih Chart lalu pilih Column.
5. Klik Add Chart Element untuk menambahkan judul
dan label pada axis (sumbu) (Gambar 41).
Figure 41. Add Chart Element

6. Klik pada kolom, lalu klik kanan untuk menampilkan
menu, kemudian pilih Format Data Series untuk
menghilangkan gap (jeda) diantara batang, ubah angka
pada “gap” menjadi “0” (Gambar 42 dan 43)
Gambar 42. Format Data Series

Gambar 43
4. Diagram Garis
Penjelasan Digunakan untuk melacak tren kesehatan dalam jangka waktu

yang lama.
X-axis = variable waktu yang saling berdekatan
Y-axis = Variabel frekuensi
Saatnya 1. Buka data …………
praktek 2. Sorot atau arsir data yang akan dibuat diagram
3. Klik Insert , kemudian pilih menu line pada chart (gambar 44)
4. Anda dapat memilih diagram garis 2 Dimensi atau 3 Dimensi

Gambar 44
5. Selanjutnya Anda dapat memilih Anda dapat memilih Add
Chart Element untuk menambahkan komponen judul,
keterangan aksis, maupun unsur lain yang diperlukan.
6. Anda dapat menampilkan label tahun pada sumbu X (aksis
horizontal) dengan merubah source data, lalu merubah di
“horizontal (category) axis label” (gambar 45). Anda dapat
merubah dengan klik “edit” lalu arsir kolom tahun 2010 sd
2021, lalu klik OK. Maka akan muncul tahun di aksis
horizontal diagram (gambar 45)
Gambar 45
Ctt.
Perhatikan bahwa jika ukuran jarak interval waktu dalam data
yang Anda miliki tidak equal (tidak sama), maka Diagram Garis
Excel dapat menghasilkan grafik yang terdistorsi. Untuk data
semacan itu, Anda dapat mempertimbangkan penggunaan
Scatter sebagai pilihan yang lebih baik.

5. Kombinasi Diagram Batang dan Garis
Diagram Diagram kombinasi dapat menampilkan distribusi frekuensi

Kombinasi beberapa variabel pada suatu kejadian, misalnya jumlah kasus
(Batang dan dan kematian.
Garis) Beberapa ketentuan dalam pembuatan diagram kombinasi yaitu
1. Tentukan jumlah Aksis yang diperlukan.
2. Jika 2 variabel yang ingin ditampilkan tersebut memiliki
rentang nilai yang tidak jauh berbeda, maka dapat
digunakan 1 aksis
3. Namun jika variable tersebut memiliki rentang nilai yang
jauh berbeda, silahkan gunakan 2 aksis, primary aksis dan
secondary aksis
4. Secondary aksis digunakan untuk variable yang ditampilkan
dalam bentuk garis
Saatnya 1. Gunakan data …………

Praktek 2. Pilih Seluruh Data Pada kolom B hingga C.
3. Pindahkan kursor menuju pojok kanan bawah dataset untuk
memilih dataset yang akan dibuat. Tampilannya akan
seperti berikut ini (Gambar 46).
Gambar 46
4. Klik pada Menu Insert , Pilih Chart lalu pilih Bar chart.
5. Klik Add Chart Element untuk menambahkan judul dan
label pada axis (sumbu)
6. Klik pada salah satu kolom variable yang tampilannya ingin
Anda ubah menjadi diagram garis, lalu klik kanan untuk
menampilkan menu, kemudian pilih Change Series Chart
Type. (gambar 47)
7. Maka akan muncul box “change chart type” → “custom
combination (gambar 48)
8. Kemudian ubah variable (dalam hal ini series 2) menjadi
bentuk diagram line (garis) (gambar 48)

Gambar 47
Gambar 48

9. Bandingkan hasil yang Anda peroleh dengan gambar 49
berikut ini
Gambar 49. Diagram kombinasi

6. Peta
Penjelasan Peta adalah bagan yang menyertakan koordinat geografis untuk

menggambarkan ada tidaknya variabel di lokasi tertentu. Dalam
penyajian data epidemiologi, peta seringkali dignakan untuk
menunjukkan sebaran variasi jumlah kasus yang terjadi di suatu are
geografis tertentu, sehingga dengan mudah dapat dilihat wilayah
mana yang memiliki kasus tertinggi dengan melihat warna yang paling
pekat (dark)
Saatnya 1. Buka Dataset…………….

Praktek 2. Arsir kolom kabupaten serta jumlah kasus
membuat 3. Klik insert , pilih MAP, dan klik field map (gambar 50)
Peta
Gambar 50. Membuat Peta wilayah

4. Maka akan muncul tampilan peta secara otomatis (gambar 51)
Gambar 51

5. Secara otomatis peta akan menampilkan gradasi warna yang
paling terang (jumlah kasus sedikit0 hingga yang paling gelap
(jumlah kasus terbanyak).
6. Sepertihalnya pada diagram sebelumnya, Anda dapat
menambahkan label pada menu “add chart element”
7. Anda dapat pula melakukan format dengan klik kanan pada
peta lalu pilih “ format data series”
8. Anda dapat memilih untuk hanya menampilkan wilayah yang
memiliki data dengan memilih “only region with data” pada
“map area”, serta memunculkan nama lokasi pada map label. ‘
9. Anda dapat pula merubah warna wilayah sesuai kasus paling
rendah hingga paling tinggi
Gambar 52. Format Data Series Peta Area

SEKARANG SAYA TAHU
Beberapa fungsi dalam Ms Excel yang digunakan dalam Pengolahan dan

Membuat Tampilan Data Epidemiologi dapat dirangkum sbb
Menu Fungsi / Kegunaan

Formula Merupakan perintah yang dirancang sendiri oleh pengguna,
selalu diawali dengan tanda “samadengan” (=).
Function Function adalah menu formula yang tersedia pada MS

Excel dan dirancang untuk menghitung nilai tertentu yang
umum digunakan, seperti mean, median, modus dll.
Paste Special – Untuk memindahkan nilai kolom hasil perhitungan (formula

Paste value atau function) ke sel lain agar nilainya tetap (tidak berubah).
Sort Memungkinkan pengurutan data dari keci ke besar atau

sebaliknya.
Filter Memungkinkan untuk menampilkan atau menyembunyikan

data tertentu dalam daftar, sesuai dengan kebutuhan.
Pivot tabel Membuat pivot table dengan variable yang dapat

dikombinasikan sesuai kebutuhan.
Chart Membuat berbagai tampilan diagram sesuai kebutuhan,

baik lingkaran, batang, garis, histogram dll.

Selamat, Sampai sini Anda sudah menuntaskan modul
materi penunjang Manajemen Data Epidemiologi.
Pastikan di akhir sesi ini Anda sudah terampil dalam
mengolah data serta membuat tampilan data dengan
menggunakan MS Excel.
Anda dapat pula membandingkan jawaban dari Latihan
yang telah Anda kerjakan selama mempelajari modul ini,
dengan kunci jawaban yang ada pada bagian akhir modul
ini.
Jika masih ada hal yang Anda ragukan, silahkan review

kembali modul ini atau berdiskusi dengan mentor Anda.

Referensi
1. Siyoto, Sindu dan M. Ali Sodik. 2015. Dasar Metodologi Penelitian. Literasi
Media Publishing. Yogyakarta.
2. Syahrum dan Salim. 2012. Metodologi Penelitian Kuantitatif. Ciptapustaka
Media. Bandung
3. Bahan Pelatihan FETP Frontline

Modul Mandat 17 Des

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Mandat 17 Des

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL MATERI PENUNJANG

MANAJEMEN DATA EPIDEMIOLOGI

Modul Pelatihan FETP Frontline 1

Modul Pelatihan FETP Frontline 1

Materi pokok pada mata pelatihan ini adalah:

Modul Pelatihan FETP Frontline 2

Pengolahan Data dan Analisis Deskriptif

Indikator Hasil Belajar

Setelah mengikuti materi pokok pelatihan ini, peserta dapat melakukan

Sub Materi Pokok

Modul Pelatihan FETP Frontline 3

Anda sebagai seorang epidemiolog lapangan perlu memiliki kemampuan dasar

1. Persiapan Pengolahan Data

Pada tahap persiapan ini Anda harus benar – benar memperhatikan

Modul Pelatihan FETP Frontline 4

Data berkualitas tinggi lebih cenderung mengarah pada pengambilan

Data berkualitas tinggi tidak menjamin bahwa keputusan yang tepat

Ada sejumlah permasalahan dalam kualitas data yang mungkin Anda

Masalah kualitas data dapat terjadi di semua tingkat sistem surveilans

Kesalahan data berkontribusi pada masalah dalam kualitas data. Data

Modul Pelatihan FETP Frontline 5

Pernahkah Anda mengalami salah satu dari jenis kesalahan tersebut?

HASIL SKRINING UNIT DARAH YANG TERKUMPUL DI RS XXX , SEPTEMBER 2020

Berapa banyak kesalahan yang Anda temukan pada

Coba Jelaskan jenis kesalahan yang Anda temukan

Modul Pelatihan FETP Frontline 6

HASIL SKRINING UNIT DARAH YANG TERKUMPUL DI RS XXX , SEPTEMBER 2020

Cara terbaik untuk meminimalkan upaya pembersihan data adalah dengan

Lalu, Mengapa masalah kualitas data terjadi selama

Masalah kualitas data saat pengumpulan data dapat disebabkan:

Modul Pelatihan FETP Frontline 7

2. Coding dan Skoring

Modul Pelatihan FETP Frontline 8

Sampai tahap ini data siap untuk dianalisis lebih lanjut.

B. Analisis Data Deskriptif

Analisis data adalah rangkaian kegiatan penelaahan, pengelompokan,

Modul Pelatihan FETP Frontline 9

Fungsi statistik deskriptif antara lain mengklasifikasikan suatu data variabel

Analisis statistik deskriptif dapat dibedakan menjadi :

MINIMUM, MAKSIMUM DAN RANGE

Perhatikan Contoh Berikut ini :

Nilai minimum atau terkecil

Modul Pelatihan FETP Frontline 10

Mari kita bahas satu per satu

Modul Pelatihan FETP Frontline 11

Langkah pertama adalah mengurutkan data masa

Akhirnya, median akan menjadi nilai yang Anda

Kita dapat memastikan bahwa 9 adalah median karena sembilan

Mari kita rangkum poin-poin penting tentang median.

Modul Pelatihan FETP Frontline 12

Langkah 1 adalah menjumlahkan 19 nilai.

Sekarang mari kita tambahkan kasus ke-20 dengan masa inkubasi 21

Modul Pelatihan FETP Frontline 13

Ukuran Data Asli (n=19) Data update (n=20)

Kolom tengah menunjukkan database yang sama dengan masa inkubasi

3) Analisis variasi nilai (Standar Deviasi dan Varians)

Modul Pelatihan FETP Frontline 14

- Sebelum melakukan pengolahan data, perlu dilakukan tahap Persiapan

- Untuk penyajian data epidemiologi, sebaiknya gunakan nilai median atau

Modul Pelatihan FETP Frontline 15

Indikator Hasil Belajar

Sub Materi Pokok

Modul Pelatihan FETP Frontline 16

A. Penyajian Data Tekstual