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