Manajemen dan Analisa Data 1

Transkripsi

1 Add your company slogan Manajemen dan Analisa Data 1 MENGAPA MANAJEMEN DATA PENTING? PENGANTAR MANAJEMEN DATA LOGO 1 2 PROSES RISET ERROR/Kesalahan dalam Penelitian 1. Sampling error : kesalahan yang terjadi akibat pengambilan sampel (sebaik apapun sampel, tetap akan punya error). 2. Non-sampling error : kesalahan yang terjadi bukan karena pengambilan sampel, tapi oleh faktor manusianya, yaitu pada tahap: Perencanaan Pelaksanaan pengumpulan data (pengukuran) Manajemen data Analisa & interpretasi 3 4 Manajemen Data Manajemen data merupakan upaya pengelolaan data mulai dari data tersebut dikumpulkan hingga siap dianalisis Tujuan: mencegah garbage in garbage out Data Pengolahan & analisa data Pengelolaan Data Informasi Contoh Permasalahan 1. Pengolahan data memakan waktu banyak/tidak efisien 2. Banyak data tidak lengkap/kosong 3. Terdapat data yang meragukan/tidak masuk akal Contoh Responden termuda yang melakukan induksi haid 5 tahun 4. Terdapat jawaban diluar kategori jawaban Jenis kelamin: (1) Perempuan (2) Laki-Laki Tetapi dalam data muncul jawaban Terdapat jawaban yang tumpang tindih Contoh: Kategori umur: 1-5 th, 5-10 th, th, dst. 5 6

2 Langkah-langkah Mengkode data (data coding) Membuat kode Membuat buku kode Menyunting data (data editing) Membuat struktur data (data structure) dan file data (data file) Memasukkan data (data entry) Membersihkan data (data cleaning) Data Coding (1) Data coding: kegiatan pemberian kode atau simbol agar mempermudah dalam pengolahan data. 1 = Laki-laki 2 = Perempuan 1 = < SD 2 = SLTP 3= SMA 4 = D3/PT Kode untuk masing-masing kelas harus mutually exclusive Data coding sudah harus dikembangkan pada saat mengembangkan instrumen penelitian (kuesioner). 7 8 Data Coding (2) Data yang dikumpulkan dengan pertanyaan tertutup sudah harus ditetapkan pengkodeannya saat instrumen dibuat. Perlu dipertimbangkan untuk menyediakan satu kode untuk menampung informasi di luar kelas-kelas yang telah disediakan. Pengkodean untuk data yang dikumpulkan dengan pertanyaan terbuka dapat dilakukan setelah data terkumpul. Tetapi sebagian data dapat diberi kode sebelum pengumpulan data. didapat dari uji coba kuesioner Data Coding (3) Pengkodean lebih lanjut dilakukan setelah semua data dikumpulkan. Jawaban kosong perlu diidentifikasi dan diberi kode lebih lanjut: tidak tahu atau tidak jawab. Pemberian kode dapat dilakukan pada Sisi halaman instrumen lihat contoh kuesioner 9 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 Kode Pedoman dalam proses coding, entry dan cleaning Pedoman dalam melakukan analisis data Pedoman bagi peneliti lain yang akan menggunakan data 11 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

3 Contoh Buku Kode Data Coding (6) No. Variabel Pertanyaan Kolom Kode Keterangan nomor ke 1 ID nomor identifikasi 2 Umur dalam tahun 3 Kelamin Pria 2 Wanita 4 Pekerjaan PNS/ABRI 2 Swasta 3 Buruh 4 Tak bekerja Data Editing (1) Editing: kegiatan memeriksa kelengkapan pengisian dan ketepatan data sebelum proses pemasukan 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 kembali kepada responden/informan Data Editing (2) Data Structure dan Data File (1) Penyuntingan dilakukan oleh peneliti atau anggota tim peneliti sendiri, atau oleh penyelia lapangan. Maka perlu pelatihan penyelia lapangan lebih dahulu. Sebaiknya saat menyunting data sekaligus dilakukan pula pemberian kode. Pada saat penyuntingan dan pengkodean ini dapat diidentifikasi jawaban responden yang ternyata belum diberi kode. Struktur data dikembangkan sesuai dengan analisis 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) Data Structure dan Data File (2) Data Structure dan Data File (3) Epi Info/Epi Data menyediakan fasilitas EPED untuk membuat struktur data: nama variabel ditulis di antara tanda kurung kurawal { } skala variabel: ###.## = numeric, = string jumlah digit ditetapkan dengan jumlah tanda # atau _ Apabila nama variabel tidak ditetapkan, Epi Info/Epi data secara otomatis akan membuatnya dengan menggunakan 10 huruf pertama dari pertanyaan yang kita tulis dengan EPED. Jangan lupa membuat nomor identifikasi (ID) untuk setiap responden. Nama responden bisa sama! ID seharusnya sudah harus terisi pada lembar instrumen (kuesioner)

4 Data Structure dan Data File (4) Data Structure dan Data File (5) Setelah file.qes siap, harus diubah menjadi data file dengan menggunakan fasilitas ENTER. Hasil proses ini adalah data file dengan ekstensi.rec. File.REC ini dipergunakan untuk menerima masukan data. Dengan Epi Info pemasukan data dilakukan dengan memakai fasilitas ENTER. REC ID UMUR KELAMIN PEKERJAAN SUKU JAWA SUNDA JAWA MINANG DAYAK MADURA SUNDA IRIAN Data Entry(1) Data Entry(2) Untuk menghindari kesalahan dalam pemasukan data, dapat dilakukan: Possible-entry programming Double-entry Epi Info menyediakan fasilitas untuk membuat program guna mengurangi kesalahan pada saat data entry, yaitu CHECK. Hasilnya adalah file dengan ekstensi.chk. Hal-hal yang dapat dikontrol dengan.chk antara lain: keharusan mengisi suatu variabel nilai minimal nilai maksimal alur lompatan Langkah-langkah Pembuatan Struktur hingga Entry Data Program Epi Info/Epi Data Pembuatan Struktur Kuesioner (QES file, dengan EPED) Pembuatan File Data (REC file, dengan ENTER) Pembuatan File Validasi (CHK file, dengan CHECK) Pemasukkan Data 23 Data Cleaning (1) Walaupun rambu-rambu sudah kita pasang pada saat data entry, kesalahan masih mungkin terjadi. Pembersihan data tetap perlu dilakukan. Salah satu cara adalah dengan melihat distribusi frekuensi dari variabel-variabel dan menilai ke-logis-annya. Untuk data kontinyu (interval, rasio) dapat dilihat sebarannya untuk melihat ada tidaknya pencilan (outliers). Setiap ditemukan keanehan pada data (tidak logis, outlier) perlu dilakukan pengecekan ulang ke kuesionernya. 24

5 Data Cleaning (2) Bila ternyata terdapat kesalahan dalam memasukkan data, lakukan pembetulan. Pada Epi Info pembetulan dilakukan dengan fungsi UPDATE pada fasilitas ANALYSIS. Bila ternyata tidak terdapat kesalahan memasukkan data, tentukan tindakan yang akan dilakukan terhadap data yang aneh tersebut: dibuang? dibuang sementara? dipakai hanya pada sebagian analisis? dipakai sepenuhnya pada saat analisis? Mendeteksi missing data (list distribusi frekuensi) Jenis Kelamin Pria 40 Wanita 60 Total 100 Jumlah Pendidikan SD 40 SMP 10 SMU 30 PT 15 Total 95 Jumlah Mendeteksi variasi data (list distribusi frekuensi tiap variabel) Mendeteksi konsistensi data (menghubungkan 2 var) Pendidikan Jumlah Total 100 KB Jumlah Ya 20 Tidak 80 Total 100 Kontrasepsi Jumlah Suntik 5 Pil 5 Kondom 4 IUD 10 Total EPI-DATA ver 3.1 Mendeteksi konsistensi data (membuat tabel silang) Umur Jumlah Anak Membuat Struktur Data Berisi Variabel & Ruang Entry (Template) Tersimpan di file.qes 30 Membuat file.rec dari file QES yg sudah ada View Data yg sudah dientry Memasukkan data ke komputer Tersimpan di file.rec Membuat batasan min max & alur lompatan Tersimpan di file.chk Export data.rec ke data.dbf

6 1. Define Data 2. MakeData File CHEKC 4. Enter Data Documen View Data 6. Export Data (Dari REC ke DBF) 35 36

7 Prinsip Analisa Data Analisa Data : Proses penyederhanaan data ke dlm bentuk yg lebih mudah dibaca/diinterpretasikan; seringkali digunakan STATISTIK Interpretasi; Inferensi terbatas; hubungan penelitian Membandingkan(teori/penelitian lain) Analisa Data Kategorik tabulasi silang Kontinu distr frek, central tendency, variabilitas, korelasi 39