Post on 14-Feb-2018
LOGO
“ Add your company slogan ”
Manajemen danAnalisa Data 1
PENGANTAR MANAJEMEN DATA
1
MENGAPA MANAJEMEN DATA PENTING?
2
PROSES RISET
3
ERROR/Kesalahan dalam Penelitian
1. Sampling error : kesalahan yang terjadi akibatpengambilan sampel (sebaik apapun sampel, tetap akan punya error).
2. Non-sampling error : kesalahan yang terjadibukan karena pengambilan sampel, tapi olehfaktor manusianya, yaitu pada tahap: Perencanaan Pelaksanaan pengumpulan data (pengukuran) Manajemen data Analisa & interpretasi
4
Manajemen Data
Manajemen data merupakan upaya pengelolaandata mulai dari data tersebut dikumpulkanhingga siap dianalisis Tujuan: mencegah ’garbage in – garbage out’
5
DataPengolahan & analisa data
Informasi
PengelolaanData
Contoh Permasalahan
1. Pengolahan data memakan waktu banyak/tidak efisien2. Banyak data tidak lengkap/kosong3. Terdapat data yang meragukan/tidak masuk akal
Contoh Responden termuda yang melakukan induksi haid 5 tahun
4. Terdapat jawaban diluar kategori jawabanJenis kelamin: (1) Perempuan (2) Laki-LakiTetapi dalam data muncul jawaban 3.
5. Terdapat jawaban yang tumpang tindihContoh:
Kategori umur: 1-5 th, 5-10 th, 10-15 th, dst.
6
Langkah-langkah
Mengkode data (data coding)Membuat kodeMembuat buku kode
Menyunting data (data editing) Membuat struktur data (data structure)
dan file data (data file) Memasukkan data (data entry) Membersihkan data (data cleaning)
7
Data Coding (1) Data coding: kegiatan pemberian kode atau
simbol agar mempermudah dalam pengolahandata.
1 = Laki-laki 2 = Perempuan
1 = < SD 2 = SLTP 3= SMA 4 = D3/PT
Kode untuk masing-masing kelas harusmutually exclusive
Data coding sudah harus dikembangkan padasaat mengembangkan instrumen penelitian(kuesioner).
8
Data Coding (2) Data yang dikumpulkan dengan pertanyaan tertutup
sudah harus ditetapkan pengkodeannya saatinstrumen dibuat.
Perlu dipertimbangkan untuk menyediakan satu kodeuntuk menampung informasi di luar kelas-kelas yang telah disediakan.
Pengkodean untuk data yang dikumpulkan denganpertanyaan terbuka dapat dilakukan setelah data terkumpul.
Tetapi sebagian data dapat diberi kode sebelumpengumpulan data. didapat dari uji coba kuesioner
9
Data Coding (3)
Pengkodean lebih lanjut dilakukan setelahsemua data dikumpulkan. Jawaban kosong perlu diidentifikasi dan
diberi kode lebih lanjut: “tidak tahu” atau“tidak jawab”. Pemberian kode dapat dilakukan padaSisi halaman instrumen lihat contoh
kuesioner
10
Data Coding (4) Cara pengkodean yang telah dibuat harus
dicatat dalam buku kode. Bila cara pengkodean tidak rumit, tidak perlu
dibuat Buku Kode khusus. Manfaat Buku KodePedoman dalam proses coding, entry dan
cleaningPedoman dalam melakukan analisis dataPedoman bagi peneliti lain yang akan
menggunakan data11
Data Coding (5)
Buku kode sebaiknya memuat hal berikut:1. nama variabel yang dikumpulkan, 2. nomor pertanyaan pada kuesioner yang
berkaitan dengan variabel tersebut, 3. bentuk data, 4. kode kategori variabel dan penjelasannya, 5. skala variabel.
12
Data Coding (6)
No. Variabel Pertanyaan Kolom Kode Keterangannomor ke
1 ID - 1 - nomoridentifikasi
2 Umur 2 2 - dalam tahun3 Kelamin 3 3 1 Pria
2 Wanita4 Pekerjaan 4 4 1 PNS/ABRI
2 Swasta3 Buruh4 Tak bekerja
13
Contoh Buku Kode
Data Editing (1) Editing: kegiatan memeriksa kelengkapan
pengisian dan ketepatan data sebelum prosespemasukan data. Memeriksa kelengkapan jawaban pertanyaan pada kuesioner
secara keseluruhan Memeriksa kejelasan tulisan jawaban Memeriksa kelogisan jawaban (logical check). Memeriksa lompatan (skip check) dan kisaran jawaban (range
check)
Penyuntingan sebaiknya dilakukan di lapangan, agar data yang meragukan masih dapat ditelusuri kembalikepada responden/informan
14
Data Editing (2)
Penyuntingan dilakukan oleh peneliti atauanggota tim peneliti sendiri, atau olehpenyelia lapangan. Maka perlu pelatihanpenyelia lapangan lebih dahulu. Sebaiknya saat menyunting data sekaligus
dilakukan pula pemberian kode.
Pada saat penyuntingan dan pengkodean inidapat diidentifikasi jawaban responden yang ternyata belum diberi kode.
15
Data Structure dan Data File (1)
Struktur data dikembangkan sesuai dengananalisis dan jenis perangkat lunak yang dipergunakan. Pada saat mengembangkan struktur data,
masing-masing variabel perlu ditetapkan: nama skala: numeric (angka), string (huruf, campuran) jumlah digit, termasuk jumlah desimal (khusus
data numeric)
16
Data Structure dan Data File (2)
Epi Info/Epi Data menyediakan fasilitasEPED untuk membuat struktur data:nama variabel ditulis di antara tanda kurung
kurawal { }skala variabel: ###.## = numeric, _____ =
string jumlah digit ditetapkan dengan jumlah tanda #
atau _
17
Data Structure dan Data File (3)
Apabila nama variabel tidak ditetapkan, EpiInfo/Epi data secara otomatis akan membuatnyadengan menggunakan 10 huruf pertama daripertanyaan yang kita tulis dengan EPED. Jangan lupa membuat nomor identifikasi (ID)
untuk setiap responden. Nama responden bisasama! ID seharusnya sudah harus terisi pada lembar
instrumen (kuesioner).
18
Data Structure dan Data File (4)
Setelah file .QES siap, harus diubahmenjadi data file dengan menggunakanfasilitas ENTER. Hasil proses ini adalahdata file dengan ekstensi .REC.
File .REC ini dipergunakan untukmenerima masukan data. Dengan Epi Info pemasukan data dilakukan denganmemakai fasilitas ENTER.
19
Data Structure dan Data File (5)
REC ID UMUR KELAMIN PEKERJAAN SUKU1 001 36 1 1 JAWA2 002 51 1 3 SUNDA3 003 25 2 4 JAWA4 004 31 2 2 MINANG5 005 29 2 2 DAYAK6 006 57 1 1 MADURA7 007 33 2 4 SUNDA8 008 44 1 2 IRIAN910
20
Data Entry(1)
Untuk menghindari kesalahan dalampemasukan data, dapat dilakukan:Possible-entry programmingDouble-entry
Epi Info menyediakan fasilitas untuk membuatprogram guna mengurangi kesalahan pada saatdata entry, yaitu CHECK. Hasilnya adalah file dengan ekstensi .CHK.
21
Data Entry(2)
Hal-hal yang dapat dikontrol dengan .CHK antara lain:keharusan mengisi suatu variabelnilai minimalnilai maksimalalur lompatan
22
Langkah-langkah PembuatanStruktur hingga Entry Data Program Epi Info/Epi Data
23
Pembuatan Struktur Kuesioner(QES file, dengan EPED)
Pembuatan File Data(REC file, dengan ENTER)
Pembuatan File Validasi(CHK file, dengan CHECK)
Pemasukkan Data
Data Cleaning (1)
Walaupun rambu-rambu sudah kita pasang padasaat data entry, kesalahan masih mungkin terjadi.
Pembersihan data tetap perlu dilakukan. Salah satucara adalah dengan melihat distribusi frekuensidari variabel-variabel dan menilai ke-logis-annya.
Untuk data kontinyu (interval, rasio) dapat dilihatsebarannya untuk melihat ada tidaknya pencilan(outliers).
Setiap ditemukan keanehan pada data (tidak logis, outlier) perlu dilakukan pengecekan ulang kekuesionernya.
24
Data Cleaning (2) Bila ternyata terdapat kesalahan dalam
memasukkan data, lakukan pembetulan. Pada EpiInfo pembetulan dilakukan dengan fungsi UPDATEpada fasilitas ANALYSIS.
Bila ternyata tidak terdapat kesalahan memasukkandata, tentukan tindakan yang akan dilakukanterhadap data yang aneh tersebut:dibuang?dibuang sementara?dipakai hanya pada sebagian analisis?dipakai sepenuhnya pada saat analisis?
25
METODE CLEANING
Mendeteksi missing data(list distribusi frekuensi)
26
Jenis Kelamin JumlahPria 40Wanita 60Total 100
Pendidikan JumlahSD 40SMP 10SMU 30PT 15
Total 95
METODE CLEANING
Mendeteksi variasi data(list distribusi frekuensi tiap variabel)
27
Pendidikan Jumlah1 402 303 204 6
7 4Total 100
METODE CLEANING
Mendeteksi konsistensi data(menghubungkan 2 var)
28
KB JumlahYa 20Tidak 80Total 100
Kontrasepsi JumlahSuntik 5Pil 5Kondom 4IUD 10
Total 24
METODE CLEANING
Mendeteksi konsistensi data(membuat tabel silang)
29
Umur Jumlah Anak0 1 2 3 4 5 6 7 8 9 10
15 1 2 2
16 1 219 2 4 220 3
24253540
30
EPI-DATA ver 3.1
Membuat Struktur Data
Berisi Variabel & RuangEntry (Template)
Tersimpan di file.QES
Membuat batasan min—max & alur lompatan
Tersimpan di file.CHK
Membuat file.REC darifile QES yg sudah ada
Memasukkan data kekomputer
Tersimpan di file.REC
View Data yg sudahdientry
Export data.RECkedata.DBF
31
1. Define Data
32
2. MakeData File
33
3. CHEKC
34
4. Enter Data
35
5.Documen View Data
36
6. Export Data (Dari REC ke DBF)
Prinsip Analisa Data
Analisa Data :Proses penyederhanaan data ke dlm bentuk
yg lebih mudah dibaca/diinterpretasikan; seringkali digunakan STATISTIK
37
Interpretasi; Inferensi
terbatas; hubungan penelitian Membandingkan(teori/penelitian lain)
38
Analisa Data
Kategorik tabulasi silang Kontinu distr frek, central tendency, variabilitas,
korelasi
39