Post on 20-Jan-2016
description
BUKU RANCANGAN PENGAJARAN
Mata Ajaran:
MANAJEMEN DAN ANALISIS DATA
Departemen Biostatistika dan KependudukanProgram Studi Ilmu Kesehatan Masyarakat
Fakultas Kesehatan MasyarakatUniversitas Indonesia
2014
LEMBAR PENGESAHAN
BUKU RANCANGAN PENGAJARAN
Departemen Biostatistika dan KependudukanFKM UI
(Dr.drg.Indang Trihandini, MKes)
DAFTAR ISI
Buku Rancangan Pengajaran
2
PENGANTAR
BAB I INFORMASI UMUM 4
BAB II KOMPETENSI MATA KULIAH
1. Kompetensi
2. Subkompetensi
3. Bagan Alir Kompetensi
5
BAB III BAHASAN DAN RUJUKAN 7
BAB IV MATRIKS KEGIATAN 8
BAB V RANCANGAN TUGAS / LATIHAN 9
BAB VI EVALUASI HASIL PEMBELAJARAN 10
3
PENGANTAR
Buku Rancangan Pengajaran (BRP) untuk mata ajaran Manajemen dan Analisis Data ini sengaja disusun secara sistematis untuk memudahkan para pengajar dan mahasiswa dalam melakukan proses pemelajaran. BRP ini juga merupakan salah satu instrumen untuk membantu proses penjaminan mutu akademik yang diimplementasikan dalam proses pemelajaran yang diasih oleh Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Indonesia.
Berkat rahmat Allah SWT, setelah melalui berbagai workshop dan pelatihan serta sitesa dari berbagai sumber dan ditambah dengan pengalaman pembelajaran, Buku Rancangan Pengajaran untuk mata ajaran Manajemen dan Analisis Data ini memuat informasi umum tentang mata ajaran Manajemen dan Analisis Data yang dilengkapi dengan kompetensi/sub-kompetensi/bagan alir kompetensi mata ajaran Manajemen dan Analisis Data. Selain itu, BRP ini juga berisi informasi tentang bahasan dan rujukan mata ajaran Manajemen dan Analisis Data
Semoga buku ini dapat dimanfaatkan oleh pengguna (dosen dan mahasiswa) untuk membantu dalam proses belajar mengajar dalam mata ajaran Manajemen dan Analisis Data. Kritik dan saran untuk kesempurnaan buku ini akan kami terima dengan senang hati.
4
BAB I
INFORMASI UMUM
1. Nama Program Studi / jenjang : Magister Kesehatan Masyarakat/S2
2. Nama mata kuliah : Manajemen dan Analisis Data-Dasar
3. Kode mata kuliah : KMB-
4. Semester ke- : 2 (dua) atau Genap
5. Jumlah SKS : 2 (dua)
6. Metoda pembelajaran : Praktek di Laboratorium Komputer
7. Mata Ajar prasyarat : Biostatistika Intermediate (telah mengikuti)
8. Pendukung mata ajar : -
9. Integrasi antara mata ajar : MA Biostatistika Intermediate
10. Deskripsi mata ajar :
Pengolahan dan Analisa Data merupakan dua proses yang sangat penting dalam
pengelolaan data menjadi suatu informasi. Keakuratan dan kecepatan dalam
pengolahan serta ketepatan dalam analisis data akan sangat menentukan kualitas
informasi yang dihasilkan. Semuanya proses itu akan mempermudah kita dalam
penulisan laporan suatu kegiatan survei, penelitian, ataupun monitoring dan
evaluasi yang berbasiskan bukti di bidang kesehatan, baik bukti-bukti
menggunakan data rutin di fasilitas layanan kesehatan maupun bukti-bukti
menggunakan data survei di masyarakat atau laboratorium.
Di masa lalu, saat komputer masih menjadi barang langka, misalnya sebelum
tahun 1990, proses pengolahan data masih dilakukan secara manual, sedangkan
penggunaan alat bantu komputer untuk pengolahan dan analisis data hanya
dilakukan oleh institusi atau orang tertentu yang memiliki akses terhadap
komputer.
5
Di masa sekarang, saat komputer telah menjadi kebutuhan pokok bagi mahasiswa,
berbagai perangkat lunak atau program pengolahan dan analisis data juga dengan
mudah bisa didapatkan, baik milik umum (public domain) ataupun berlisensi
(licenced). Hal ini telah membuat proses pengolahan dan analisis data bisa dengan
mudah dilakukan oleh siapa saja, tanpa harus memiliki kemampuan dalam
pemrograman komputer.
Mata Ajaran ini akan memberikan kemampuan kepada peserta agar terampil
dalam memanfaatkan komputer sebagai alat bantu untuk pengolahan dan analisis
data. Secara umum kemampuan dasar analisis data (mulai dari prinsip-prinsip
dasar statistik sampai pada probabilitas dan uji-uji statistik secara sederhana
(univariat dan bivariat) sudah didapatkan oleh peserta dalam Mata Ajaran
Biostatistika Dasar. Peserta telah melakukan praktek analisis data dan uji-statistik
secara manual dan menghitungnya dengan bantuan kalkulator. Walaupun Mata
Ajaran ini akan melakukan pengulangan topik yang sama, namun pengulangan
tersebut hanya untuk sekedar mengingatkan kembali. Sebagian besar porsi mata
ajaran ini lebih berfokus pada mengasah keterampilan dalam menggunakan
komputer untuk melakukan pengolahan dan analisis data.
Pengolahan data yang akan dicakup oleh Mata Ajaran ini antara lain adalah mulai
dari pembuatan program Data Entry untuk memudahkan dalam proses
memasukkan data ke komputer dengan cepat dan akurat menggunakan perangkat
lunak EpiData (TEMPLATE, CHECK, ENTER). Epidata merupakan salah satu
perangkat lunak komputer milik umum yang bisa diakses di www.epidata.dk.
Setelah itu, data yang sudah dientry kemudian di export ke format lain seperti
SPSS atau Excel atau Stata sesuai dengan kebutuhan. Dalam mata ajaran ini
perangkat lunak pengolahan dan analisis data berikutnya yang akan digunakan
adalah SPSS (Statistical Pakage for Sosial Sciencies).
Penggunaan perangkat lunak SPSS akan difokuskan untuk melakukan analisis
6
data secara deskriptif termasuk cara membuat dan menyajikan grafik. Selain itu,
dengan SPSS akan dilakuan proses transformasi data seperti COMPUTE,
RECODE, IF, DO IF, MERGE, SELECT, dll. Analisis data bivariat untuk
melakukan uji-statistik akan difokuskan pada uji-uji statistik yang sering dipakai
seperti uji chi-square dan perhitungan Odds Ratio, uji-T (paired dan independent),
Uji-Anova, dan uji korelasi & regresi linier sederhana. SPSS merupakan program
berlisensi yang tersedia hanya di Laboratorium Departemen Biostatistik FKMUI.
Selain statistik deskriptif dan uji statistik sederhana (bivariat), memahami bahwa
analisis data sederhana saja tidaklah akurat apabila datanya dikumpulkan dari
disain studi survei kros-seksional. Sehingga kemampuan menggunakan teknik dan
metode analisis statistik sampai multivariat, dengan mengontrol variabel
konfounding dan interaksi merupakan suatu keharusan, agar hasil analisis yang
didapat terpercaya, terjamin akurasinya, dan terhindar dari bias.
Mata Ajaran ini tidak hanya sekedar memberikan ketrampilan teknis dalam
melakukan pengolahan dan analisis data sesuai kompetensi yang ingin
didapatkan, akan tetapi juga memberikan wahana untuk mengasah kemampuan
peserta dalam membuat interpretasi dari hasil analisis tersebut kemudian
menyajikannya dan menuliskannya dalam bentuk laporan. Laporan tersebut
kemudian dipresentasikan di depan kelas baik secara kelompok maupun individu.
Disamping kompetensi khusus terkait keahlian yang ingin dicapai oleh mata
ajaran ini, melalui proses belajar kelompok, forum diskusi, dan presentasi,
diharapkan aspek kepemimpinan, kemandirian, kreatifitas, keterampilan
berkomunikasi serta profesionalisme peserta (mahasiswa) dapat tumbuh dan
berkembang dalam atmosfir dunia akademik yang dinamis. Sehingga kompetensi
terkait aspek softskill tersebut dapat pula dipenuhi sebagai penunjang bagi
mahasiswa kelak untuk berperan sebagai praktisi di bidang kesehatan masyarakat.
7
8
BAB II
KOMPETENSI MATA AJAR
Kompetensi (Sasaran Pemelajaran)
Pada akhir mata ajaran diharapkan para peserta/mahasiswa mampu memahami
konsep dan ruang lingkup manajemen data dan analisis data. Trampil melakukan
pengolahan dan analisis data secara univariat (deskriptif) dan bivariat (uji statistik-
parametrik dan non-parametrik), multivariat dalam aplikasinya di bidang kesehatan.
Subkompetensi (Sasaran Pemelajaran Penunjang)
1. Peserta mampu menjelaskan kembali konsep dan ruang lingkup manajemen data
dan analisa data
2. Peserta trampil menggunakan aplikasi komputer untuk membuat program data
entry (template dan checks).
3. Peserta mampu melakukan transformasi data (recode, compute, if, merger, select)
4. Peserta mampu melakukan analisa data secara deskriptif (%, Mean, median,
modus, standar deviasi, min-max)
5. Peserta mampu melakukan analisa data secara bivariate dan multivariat (uji
statistik beda proporsi, beda rata-rata, uji korelasi/regresi linier, logistik regresi)
6. Peserta mampu membuat interpretasi dan penyajian data menjadi suatu informasi
.
.
9
Analisis Kompetensi
PETA TOPIK
Analisis Data
Managemen dan Pengolahan Data
Program Data Entry
10
Analisis Data Bivariat dan Multivariat
Analisis Data Multivariat:
Regresi Logistik
Analisis Data Multivariat:
Regresi Linier
Analisis Data Deskriptif &
Grafik
RECODE IF dan DO IF MERGECOMPUTE
Export dan Import Database
Menyiapkan data sehingga siap untuk dianalisis
CHECKS VALIDATETEMPLATE
Kuesioner
Penyajian dan Interpretasi Data menjadi Informasi
BAB III
BAHASAN DAN RUJUKAN
A. Kompetensi, Bahasan, Estimasi Waktu, dan Rujukan
No.Kompetensi/
subkompetensiPokok Bahasan Sub-pokok Bahasan
Waktu (jam) Rujukan
1.
Konsep dan ruang lingkup
manajemen data dan analisa data
Memahami Ruang lingkup manajemen dan
analisis data
1. Pemetaan MA, 2. pengertian & ruang lingkup manajemen &
analisis data, 3. Pengertian data dan variabel,
1 1,5
Mampu membuat format Kuesioner sesuai kaidah
kuesioner yang baik
1.. Aspek content, tampilan fisik, & 3. Bentuk petanyaan, 4. Kritik
thd contoh kuesioner
1 1,5
2.
Trampil membuat
program data entry (template
dan checks)
Epi Data (Template): Trampil menginstall Epi-
Data dan membuat TEMPLATE (Define
Data)
1. Download EpiData, 2. Install EpiData, 3. Pengantar Program Epi-Data, 4. Define (Template) Data Numerik, String, & Date
1 1,5
Epi Data (CHECKS): Trampil membuat
program Checks (sesuai alur kuesioner: min-max,
jumps, dll)
1. Range, 2. Jump, 3. LET/ Computation
1 1,5
Epi Data (ENTER DATA): Trampil
melakukan entry data ke komputer
1. Enter Data2. Validasi (double data entry)
1 1,5
Epi Data (Export/Import + Pengantar SPSS):
Trampil mengexport data dari Epi-Data ke SPSS
1. Export Data (dari Epi-Data), 2. Import Data (dari SPSS)
1 1,5
3.
Mampu melakukan analisa data
secara deskriptif
SPSS : Trampil melakukan Analisis
Deskriptif dan transformasi data
1. Variabel & Value Label, 2. Proporsi, 3. Mean (95% CI), median, mode, quartile, 4.
Penyajian
1 3,4,5
SPSS (Grafik)1. Histrogram, 2. Bar, 3. Pie, 4.
Box-plot1 3,4,5
4.
Mampu melakukan
transformasi data
SPSS (RECODE + COMPUTE + Merger:
add cases, add variabel 1- to-1, add variabel 1-to-
many)
1. Recode, 2. Compute, 3. Merger, 4. Select
4 3,4,5
11
5.
Mampu melakukan analisa data
secara bivariat
SPSS: Trampil melakukan Uji beda 2
mean (t-test)
1. Pengertian dan Asumsi uji beda 2 mean, 2. Uji-t independen, 3.
Uji-t paired, 4. Penyajian/interpretasi
2 3,5
SPSS: Trampil melakukan Uji Beda
lebih dari 2 mean (Anova)
1. Pengertian dan Asumsi uji Anova, 2. Uji-Anova, 3. Penyajian/interpretasi
4 3
SPSS: Trampil melakukan Uji beda proporsi (chi-square)
1. Pengertian dan Asumsi uji beda proporsi, 2. Uji-Chi-square, 3.
Penyajian/interpretasi
2 3
SPSS : Trampil melakukan Uji korelasi
(Pearson corr.)
1. Pengertian dan Asumsi uji korelasi, 2. Uji-korelasi pearson,
3. Penyajian
2 2,3
Mampu melakukan analisa data
secara bivariat
SPSS : Trampil melakukan regresi
Logistik
Pengertian dan Asumsi regresi logistik dan Penyajian
2 2,3
6.Membuat
interpretasi dan penyajian data
Tugas MandiriTrampil membuat laporan dan
mempresentasikan hasil analisis data
2 2,3
Ujian Tengah Semester 2
Ujian Akhir Semester 2
B. Daftar Rujukan
1. Lauritsen JM dan Bruus M. Epidata Help File ver 3.1. Denmark, Epidata Association, 2004 (www.epidata.dk)
2. Kleinbaum DG dan Klein M. Logistic Regression: A Self Learning Text. 3rd ed. Springer 2010.
3. Pallant J. SPSS Survival Manual: a step by step guide to data analysis using SPSS. 2nd edn. Sydney: Ligare, 2005
4. SPSS Inc. SPSS Base 14.0 User Guide. SPSS, 20055. Website:
1. http://www.epidata.dk/ 2. http://www.ats.ucla.edu/stat/spss/default.htm 3. http://www.ats.ucla.edu/stat/stata/default.htm
12
BAB IV
MATRIKS KEGIATAN
Sesike-
Kompetensi/Subkompetensi
Tahap Pemelajaran PokokBahasan/
SPB
PengalamanBelajar /
Tgs-latihan
MediaTekno-
logiAsesmen
Kriteria Penilaian
(Indikator)
Penang-gungjawab
O(%)
L(%)
U(%)
1. Konsep dan ruang lingkup manajemen data
dan analisa data
70 0 30
Ruang lingkup
manajemen dan analisis
data
Penelusuran referensi dan
review
Tatap muka
Diskusi Keaktifan IT
2. 60 0 40 Kuesioner MereviewTatap muka
Diskusi Keaktifan IT
3.Trampil membuat program data entry
(template dan checks)
30 50 20
TEMPLATE dan program
Checks (sesuai alur kuesioner: min-max, jumps, dll)
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal
Keaktifan dan
Ketepatan menjawab
soal
IT
4. 30 50 20Entry dan
Export dataPraktikum
Lab.Komputer
Diskusi, Soal
Keaktifan IT
5.Mampu melakukan analisa data secara
deskriptif30 50 20
Analisis Deskriptif
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal
Keaktifan dan
Ketepatan menjawab
soal
IT
6. 30 50 20 Analisis grafik
Diskusi dan praktek
Lab.Komputer
Diskusi, Soal
Keaktifan dan
IT
13
penyelesaian kasus
Ketepatan menjawab
soal
7.
Mampu melakukan transformasi data
RECODE & COMPUTE
Lab.Komputer
Diskusi, Soal
Ketepatan menjawab
soalIT
8. 30 50 20
MERGER: add cases, add variabel 1- to-
1, add variabel 1-to-
many)
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Ketepatan menjawab
soalIT
9. Evaluasi Tengah Semester UTS Praktek IT
10.
Mampu melakukan analisa data secara
bivariat 30 50 20Uji beda 2
mean (t-test)
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Keaktifan dan
Ketepatan menjawab
soal
IT
11. 30 50 20Uji Beda lebih
dari 2 mean (Anova)
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Keaktifan dan
Ketepatan menjawab
soal
IT
12. 30 50 20Uji beda
proporsi (chi-square)
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Keaktifan dan
Ketepatan menjawab
soal
IT
13. 30 50 20 Uji korelasi (Pearson
corr.)
Diskusi dan praktek
Lab.Komputer
Diskusi, Soal,
Keaktifan dan
IT
14
penyelesaian kasus
LatihanKetepatan menjawab
soal
14. 30 50 20Regresi Logistik
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Keaktifan dan
Ketepatan menjawab
soal
IT
15.Membuat interpretasi
dan penyajian data30 50 20
Presentasi TUGAS
Diskusi dan praktek
penyelesaian kasus
Lab.Komputer
Diskusi, Soal,
Latihan
Keaktifan dan
Ketepatan menjawab
soal
IT
16. Evaluasi Tengah Semester UAS Praktek IT
15
BAB V
RANCANGAN TUGAS LATIHAN
A. Tujuan Tugas (Kemampuan akhir yang diharapkan)
Tugas-tugas yang diberikan kepada peserta diharapkan para peserta/mahasiswa
untuk:
Mampu memahami konsep dan ruang lingkup manajemen data dan
analisis data.
Trampil menggunakan alat bantu komputer untuk melakukan pengolahan
data sehingga data siap untuk dianalisis
Trampil menggunakan alat bantu komputer untuk melakukan analisis data
secara univariat (deskriptif) dan membuat penyajian serta interpretasinya
Trampil menggunakan alat bantu komputer untuk melakukan analisis
bivariat (uji statistik-parametrik dan non-parametrik) dan membuat
penyajian serta interpretasinya
B. Uraian Tugas
a. Obyek garapan
Kepada peserta diberikan seperangkat data hasil survei cepat (rapid
survey) yang pernah dilaksanakan oleh FKM UI di 4 Kabupaten di Jawa
Barat (Tangerang, Cianjur, Cirebon, dan Lebak). Dataset tersebut berisi 15
variabel yang mencakup kesehatan maternal (pemeriksaan antenatal dan
pertolongan persalinan serta berat bayi lahir) dengan jumlah responden di
masing-masing kabupaten adalah 300 responden (kecuali Tangerang
hanya 298 responden).
b. Batasan yang harus dikerjakan
Peserta wajib mengerjakan semua tugas-tugas dan soal yang diberikan
antara lain:
16
Pembuatan Program Data Entry dengan perangkat lunak EpiData
Melakukan Entry data ke komputer dengan menggunakan
perangkat lunak EpiData, kemudian mentransfernya/export ke
format SPSS
Pengolahan atau transformasi data yang mencakup RECODE,
COMPUTE, MERGE, dll
Melakukan analisis data secara univariat (deskriptif) dan membuat
penyajian serta interpretasinya
Melakukan analisis bivariate dan multivariat (uji statistik-
parametrik dan non-parametrik) dan membuat penyajian serta
interpretasinya
c. Cara pengerjaan
Semua tugas-tugas dan latihan dikerjakan secara individu menggunakan
alat bantu komputer dan perangkat lunak yang sudah ditentukan (EpiData
dan SPSS). Diskusi dan tanya jawab penting dilakukan sebagai sarana
untuk berbagi ide dan mempertajam inovasi masing-masing individu.
d. Batas waktu penyerahan tugas
Semua tugas-tugas dan latihan dikumpulkan dalam rentang waktu satu
minggu terhitung sejak tugas itu diberikan. Tugas dikirim via email ke
alamat email yang sudah ditentukan, misalnya dini05@ui.ac.id
e. Deskripsi luaran tugas yang dihasilkan
Semua tugas-tugas dan latihan wajib dikumpulkan
C. Kriteria Penilaian
Tugas-tugas yang diberikan kepada peserta akan dinilai berdasarkan ketentuan
berikut:
Ketepatan dan keakuratan teknik dan prosedur yang digunakan dalam
melakukan transformasi data (20%)
17
Ketepatan dan keakuratan teknik atau metode statistik yang digunakan
untuk melakukan analisis data (30%)
Ketepatan dan keakuratan metode penyajian data yang digunakan (30%)
Ketepatan dan keakuratan interpretasi hasil analisis data (20%)
18
BAB VI
EVALUASI HASIL PEMELAJARAN
1. Kisi-kisi Tes
BENTUK INSTRUMEN FREKUENSI BOBOT (%)
Makalah/Presentasi Lembar penilaian 1 10Kuis Tes 0 0Praktikum Lembar Penilaian 4 20UTS Soal ujian 1 35UAS Soal ujian 1 35
Total 10 100
2. Kisi-Kisi Ujian Tulis/non tulisan (UTS dan UAS)
Kompetensi/subkompetensi Jenis Tes Jumlah soal Ranah & tk derajatnya(3 ketramp)
Bobot (%)
Mampu menceritakan kembali konsep dan ruang lingkup manajemen data dan analisa data
E 2K (analisis)
A (tk 4)10
Trampil membuat program data entry (template dan checks)
P 5K (penerapan)
P (tk 4)10
Mampu melakukan analisa data secara deskriptif P 10
K (penerapan)P (tk 4)
20
Mampu melakukan transformasi data P 5
K (penerapan)P (tk 4)
20
Mampu melakukan analisa data secara bivariate dan multivariat
P 5K (penerapan)
P (tk 4)20
Membuat interpretasi dan penyajian data
P 10K (penerapan)
P (tk 4)10
Keterangan Jenis tes
O : Obyektif/Pilihan GandaE : EsaiP : Proyek/Assignment
19
3. Kriteria Penilaian Soal/Tugas/Proyek untuk Ujian (UTS dan UAS) dan tugas-
tugas yang diberikan kepada peserta (termasuk UTS dan UAS) akan dinilai
berdasarkan ketentuan berikut:
Ketepatan dan keakuratan teknik dan prosedur yang digunakan dalam
melakukan transformasi data (20%)
Ketepatan dan keakuratan teknik atau metode statistik yang digunakan
untuk melakukan analisis data (30%)
Ketepatan dan keakuratan metode penyajian data yang digunakan (30%)
Ketepatan dan keakuratan interpretasi hasil analisis data (20%)
20