PENGOLAHAN DATA

Dr. Demsa Simbolon, SKM. MKM

 Pengertian
 Suatu proses untuk memperoleh data
atau data ringkasan berdasarkan suatu
kelompok data mentah dengan
menggunakan rumus tertentu sehingga
menghasilkan informasi yang
dibutuhkan
Data Mentah
(Raw data) Pengolahan Data INFORMASI
Tujuan Pengolahan Data
 Meringkas data sehingga mampu
memberi informasi berdasarkan
kebutuhan
 Merupakan kegiatan yang menentukan
hubungan antara input dengan data
procesing
 Untuk mendapatkan jawaban dari
permasalahan yang sedang diteliti
Tahap pengolahan data
 Editing
 Coding
 Processing
 Cleaning
EDITING
 Pengecekan isian formulir/kuesioner,
apakah jawaban yang ada di
kuesioner:
a. Lengkap (semua terjawab)
b. Jelas (tulisan jawaban jelas)
c. Relevan (Jawaban relevan)
d. Konsisten (pertanyaan berhubungan
jawabannya konsisten)
CODING
 Merubah data berbentuk huruf menjadi data
berbentuk angka/bilangan
 Contoh: tingkat pendidikan
a. SD kode 1
b. SLTP kode 2
c. SLTA kode 3
d. PT kode 4
 KEGUNAAN: untuk mempermudah pada
saat analisis data dan mempercepat entry
data
 KODE
Nama Pasien
Alamat Pasien

Umur ……………….Tahun
Paritas
Stadium 1 = 2B
(klinis) 2 = 3A
3 = 3B
Besar Lesi
Kadar Hb
Diferensiasi sel 1 = Baik; 2 = Sedang
3 = Buruk
Sebukan 1 = Ringan 2 = Sedang
Limfosit 3 = Keras
Pertandukan 1 = (+); 2 = (-)
Nekrosis 1 = (+); 2 = (-)
Besar Sel 1 = Besar; 2 = Kecil
Angiogenesis
Respon Rdx 1 = Baik; 2= Sebagian
3 = Buruk
CONTOH
 Kadar Hemoglobin

 1 =8-10 APA
 2 =10-12 PROBLEM
CARA
 3 =12-14 PENGKODEAN
SEPERTI INI?
JAWAB:

 Kadar Hemoglobin

 1 =8-10 NON
EXHAUSTIVE
 2 =10-12 DAN
MUTUALLY NON-
 3 =12-14 EXCLUSIVE
PERBAIKAN:

 Kadar Hemoglobin

 1 = 10.0 kebawah EXHAUSTIVE

&
 2 =10.1-12.0 MUTUALLY
EXCLUSIVE
 3 =12.1- keatas
 Data yang dikumpulkan dengan
pertanyaan tertutup sudah dapat
ditetapkan pengkodeannya pada saat
instrumen dibuat. Perlu dipertimbangkan
untuk menyediakan satu kode untuk
menampung informasi diluar kelas-kelas
yang telah disediakan.
 Contoh:

 Apakah pernah ber KB pil?

 1 = Ya
 2 = Tidak
 Lainnya: (isi) .........
 Pengkodean untuk data yang dikumpulkan
dengan pertanyaan terbuka dilakukan
setelah data terkumpul. Sebagian data
dapat diberi kode sebelum SELESAI
pengumpulan data. Pengkodean lebih
lanjut dilakukan setelah semua data
dikumpulkan.
 Contoh:
 Apakah pernah ber KB: Y/T
 Bila ya, sebutkan cara ber
KB: .................
CONTOH
 Apakah pernah ber KB: Y/T
 Bila ya, sebutkan cara ber
KB: .................
 Data Coding (4)
 Jawaban kosong perlu diidentifikasi dan
diberi kode lebih lanjut: “tidak tahu”, “tidak
ada jawaban”, atau “jawaban tidak relevan”.

 Pemberian kode dapat dilakukan pada

 Sisi halaman instrumen

 Lembar transit

 Lembar optic-scan
 Cara pengkodean yang telah dibuat harus
dicatat. Bila cara pengkodean tidak rumit,
tidak perlu dibuat Buku Kode khusus.

 Manfaat Buku Kode

 Pedoman dalam proses coding, entry dan

cleaning
 Pedoman dalam melakukan analisis data

 Pedoman bagi peneliti lain yang akan

menggunakan data
 Data Coding (6)
No. Variabel Pertanyaan Kolom Kode Keterangan
nomor ke
1 ID - 1 - nomor identifikasi
2 Umur2 2 - dalam tahun
3 Kelamin 3 3 1 Pria
2 Wanita
4 Pekerjaan 4 4 1 PNS/ABRI
2 Swasta
3 Buruh
4 Tak bekerja
PROCESSING
 Mengentry data dari kuesioner ke paket
komputer (excel, SPSS, dll)
CLEANING
 Pengecekan kembali data yang sudah di
entry, apakah ada kesalahan atau tidak
 Salah entry data
 Data tidak konsisten, dll
 Cara Cleaning data
 MEngetahui missing data
 Mengetahui variasi data
 Mengetahui konsistensi data
Mengetahui missing data
 Cara mendeteksi adanya missing data
dapat dilakukan dengan melakukan list
atau membuat tabel distribusi frekuensi
masing-masing variabel. Misalnya dari
100 sampel pasien penderita penyakit
jantung koroner.
 Table 3.1.
Distribusi frekuensi jenis kelamin pasien

Jenis kelamin Jumlah

Laki-laki 40
Perempuan 60

Total 100

Table 3.2.
Distribusi frekuensi tingkat pendidikan pasien
Tingkat Jumlah
Pendidikan
Tidak tamat SD 40
Tamat SD 10
Tamat SLTP 30
TAmat SLTA 15
Total 95
Mengetahui variasi data
 Dengan mengetahui variasi data akan diketahui
apakah data yang dientry benar atau salah.
 Cara mendeteksi dengan mengeluarkan distrubusi
frekuensi masing-masing variabel.
 Dalam entry data biasanya data dimasukkan dalam
bentuk kode/koding, misalnya untuk variabel
pendidikan: SD dengan kode 1, SMP dengan kode 2,
SMU dengan kode 3, dan PT dengan kode 4. Untuk
mengetahui kesalahan data dan variasi data dapat
dilihat pada tabel berikut.
 Tabel 3.3.
Distribusi frekuensi tingkat pendidikan pasien
Tingkat Pendidikan Jumlah
1 40
2 10
3 30
4 14
7 6
Total 100

Dari penyajian data diatas, walaupun menunjukkan total yang benar,

yaitu 100, namun ada data yang salah, yaitu munculnya kode tingkat
pendidikan dengan angka 7 sebanyak 6 orang. Sementara variasi kode
tingkat pendidikan adalah 1,2,3 dan 4.
 Mengetahui konsistensi data
Konsisitensi data dapat dideteksi dengan cara
menghubungkan dua variabel yang berhubungan dan atau
dengan cara membuat tabel silang.
Tabel 3.4. Keikutsertaan KB KB Jumlah
Ya 20
Tidak 80
Total 100

Tabel 3.5. Jenis alat kontrasepsi yang

dipakai
Alat kontrasepsi yang dipakai Jumlah
Suntik 5
Pil 5
Kondom 4
IUD 10
Total 24
 Dari kedua tabel tersebut menunjukkan
bahwa ada ketidakkonsistenan antara
jumlah peserta KB (20 orang) dengan
total jenis alat kontrasepsi yang dipakai
(24 orang). Seharusnya pada barsis
total jenis alat kontrasepsi jumlahnya
adalah 20 orang.
 Tabel 3.6. Jumlah anak menurut umur ibu
UMUR JUMLAH ANAK
0 1 2 3 4 5 6 7 8 9 10
15 1 2 2 2*
16 1 2 1
19 2 4
20 3 2
24
25

Dari tabel diatas tanda (*) menunjukkan ada 2 responden ibu yang
berumur 15 tahun mempunyai anak sebanyak 10 orang (hal ini
kemungkinan ada kesalahan saat entry data).