UJIAN AKHIR SEMESTER 4 KOMPUTER

LAPORAN HASIL UJIAN AKHIR KOMPUTER SEMESTER 4

A.    SPPSS

No	Perintah yang harus dikerjakan	Cara	HASIL LAPORAN
1.	Identiras Mahasiswa	Tulis nama dan NIM	Nama : RIKA ANGGRAINI SUWZA NIM    : 102114339 [nama file] yang akan diolah: GANJIL
2.	Pemilihan File : Bagi yang digit terakhir NIM nya ganjil pilih file Ganjil.rec dan digit terakhir NIM genap pilih file GENAP.rec	File yang dipilih adalah ganjil. Rec	Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah GANJIL.
3.	Jalankan epidata, pilih menu export. Pilih file sesuai pilihan Anda (genap/ganjil) untuk dieksport ke SPSS. Setelah di export tutup epidata.	Buka epidata, export ganjil ke spss. Epidata ditutup kembali.	File hasil eksport Epidata ke SPSS berekstensi SAV Dengan nama rika anggraini suwza.sav
4.	Jalankan spss dan buka file syntax yang dihasilkan oleh exporting Epidata, kemudian Run syntax tersebut. Setelah running selesai simpan file data spss tersebut dengan nama file Nama Anda sendiri (sesuai dengan nama di absensi )	Buka spss , open data, klik rika anggraini suwza.sav, lalu open syntax , edit, run all, lalu simpan dengan nama rika anggraini suwza.	File syntax data GANJIL Dieksport ke SPSS dan disimpan dengan nama rika anggraini suwza.sps dan ekstensi sps
5.	Periksa file data yang dihasilkan meliputi jumlah semua field, jumlah record, jumlah field kategorik dan jumlah field numerik	Lihat variabel view lalu edit variabel view dan hitung jumlah filed. Dan kategorikan kategorik atau numerik.	File data [Rika Anggraini suwza] berisi 32 field dan 8390 record. Data kategorik sebanyak 20 field dan data numerik sebanyak 12 field. VARIABLE LABELS     entri      "Nama Pengentri Data"     kode       "Kode Sampel"     nama       "Nama Ibu"     tlahir     "Tgl Lahir Ibu"     umur       "Umur Ibu (tahun)"     kerja      "Pekerjaan Ibu Responden"     didik      "Pendidikan Formal Ibu"     tb         " TB Ibu(cm)"     bb         "BB Ibu (kg)"     darah      "Golongan Darah"     sistol     "TD Sistolik (mmHg)"     diastol    "TD Diastolik  (mmHg)"     hb         "Kadar HB (mmHg)"     nabal      "Nama Balita"     tlb        "Tgl Lahir Balita"     age        "Umur Balita (age)"     sex       "Jenis Kelamin Balita     weight     "BB Balita  (kg)"     height     "TB Balita (cm)"     pernah     "pemeriksakan kehamilan"     kali       "frekwensi pemeriksaan kehamilan"     fundus     "Pengukuran Tinggi Fundus"     ukurtb     "Pengukuran Tinggi Badan"     tensi      "Pengukuran tekanan darah (tensi)"     tfe        "Pemberian Tablet Tambah darah (Fe)"     tt         "Imunisasi Tetanus Toxoid (TT)"     akseptor   "Apakah sebelum hamil ibu Akseptor KB"     ksepsi     "kontrasepsi yang dipakai"     n5e        "kontrasepsi  lainnya"     alasan     "Alasan tidak ber-KB"     n6d        "alasan lain tidak ber-KB "     rencana    "rencana tempat melahirkan" execute.
6.	Buat sebuah file syntax dan isi pertama kali dengan variabel labels dan valur label data kategorik. Draft variabel labels bisa dicopy dari syntax export file dari epidata.	Buat syntax yang baru, copy  latihan spss dan run.	Simpan file syntax dengan nama yang sama dengan file data. Pastekan disini sintax tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus, tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana Syntax : 1.      ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'PTinggi'. 2.      ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Tani/Nelayan' 6 'lain-lain'. 3.      ADD VALUE LABELS pernah 1 'ya' 2 'tidak'. 4.      ADD VALUE LABELS ukur TB 0 'tidak' 1 'ya'. 5.      ADD VALUE LABELS fundus 0 'tidak' 1 'ya'. 6.      ADD VALUE LABELS tensi  0 'tidak' 1 'ya'. 7.      ADD VALUE LABELS tfe  0 'tidak' 1 'ya'. 8.      ADD VALUE LABELS tt  0 'tidak' 1 'ya'. 9.      ADD VALUE LABELS akseptor  0 'tidak' 1 'ya'. 10.  ADD VALUE LABELS ksepsi  1 'IUD' 2 'Kondom' 3 'Pil' 4 'Susuk' 5 'lain-lain'. 11.  ADD VALUE LABELS alasan  1 'Masih ingin punya anak' 2 'Dilarang suami' 3 'Tidak Sesuai dengan Keyakinan' 4 'lain-lain'. 12.  ADD VALUE LABELS rencana  1 'RSB/RSU' 2 'PKM/Pustu' 3 'Nakes/Swasta' 4 'Dukun' 5 'lain-lain.

7. Periksa terlebih dahulu field pendidikan (didik). Jika ditemukan data yang missing delete record yang missing.

untuk mengcleaning data : data filed harus di sortcase terlebih dahulu dengan cara : Data - Sortcase - masukkan variable yang akan di sortcase - ascending-OK.

lihat pada colom field pendidikan, kalau ada data yang missing delete terlebih dalulu.

Untuk mengetahui data yang harus di delete dengan cara : klik analyze - descriptif statistic - frekuensi - masukkan field yang mau di lihat kalau datanya numerik dihilangkan tanda ceklis display data, kalau data kategorik harus di ceklist lalu klik Ok .

Pada output dapat dilihat jumlah data yang missing dan jumlah data yang harus di delete. jumlah record sebelum didelete 8390 record dan sesudah didelete yang missing tersisa 8381 record.

8. Periksa field kerja, jika ditemukan data missing delete semua record yang field (kerja) nya missing.

Cara nya : Analyze-descriptive statistik-fekuensi-kerja-Ok

Menghapus data yang missing : klik data-sort case - kerja ascending - Ok.

dan delete data yang missing.

Jumlah field sebelum didelete record yang kerja nya missing maka jumlah record awalnya adalah 8381  sama dengan jumlah record setelah soal no.7 dikerjakan yaitu sebanyak 8379 record.

9. Lakukan cleaning data untuk variabel tekanan darah sistolik dengan batasan data yang sah (valid)nya adalah 100-300 mmHg, artinya record kurang dari 100 dan lebih dari 300 didelete dengan cara : klik Transform - recode into diffrent variabel - Td sistolik-buat batasan 100 – 300 - continue-paste.

Hapus data yang missing dengan cara : data-sort case-TD sistolik ascending-Ok

Delete yang dibawah 100 dan di atas 300.

Jumlah record sebelum di delete sistol yang missing adalah sebanyak 8379  record dan setelah dilakukan penghapusan field sistol yang missing tersisa  6443 record.

10. Lakukan hal yang sama dengan soal nomor 9 untuk variabel tekanan daarah diastolik [diastol] dengan batasan 60-150 mmHg.

Dengan cara pilih : Transform- recode into diffrent variable-td diastolik -masukkan batasan 60 – 150 -continue -paste

Hapus data yang missing dengan cara : data-sort case-TD diastolik ascending-ok

Delete data yang dibawah 60 dan di atas 150.

Jumlah record sebelum di delete diastol yang missing adalah sebanyak  6443 record dan setelah dilakukan penghapusan field diastol yang missing tersisa 5935  record.

11. Periksa kembali NIM Anda :
Catat angka 2 digit terakhir NIM Anda
Jika digit terakhir Anda adalah Ganjil, kerjakan soal nomor 12.a dan 12.b dan bila digit terakhir NIM Anda genap kerjakan soal nomor 13.a dan 13.b . Ganjil maka mengerjakan no 12 digit terakhir 

2 digit terakhir NIM saya adalah : 39
1 digit terakhir adalah :  9 Ganjil

12.a Sort field tinggi badan ibu [tb] dengan sort order
     b Delete sebanyak 100 record dimulai dari recor 2 digit NIM Anda

1. Data – sort case – tb –ascending – ok
2. Delete dari 39 sampai 100 dan dimulai dari 39.

Ganjil :
Jumlah record tersisa setelah di delete sebanya 100 recor mulai dari 2 digit NIM adalah 5835 record.

13.---

14. Buat tabel distribusi frekuensi untuk variabel Pendidikan [didik] dan berikan komentar singkat.

Dengan cara : klik Analyse-descriptive statistik-frekuensi-didik-Ok. 

Sehingga dapat dilihat tabel distribusi frekuensi pendidikan formal ibu bahwa frekuensi paling rendah adalah BH/SD dengan frekuensi 159 dan frekuensi paling tinggi adalah P.Tinggi dengan frekuensi 2582.

15. Kategorikan pendidikan menjadi tinggi dan rendah, Pendidikan tertinggi adalah SLTA ke atas. Pastekanlah lebih dulu perintah transformasi ke syntax sebelum di-run kemudian hitung kategori pendidikan yang sudah disederhanakan tersebut. Pastekan syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan.

Transform -recode into different variabel -didik -tinggi di atas SLTA dan rendah dibawah SLTA  -paste.

Buka syntax tambahkan add value labels didik2 1 ‘Tinggi’ 2 ‘Rendah’ . – blok syntax tadi mulai dari recode sampai execute lalu run current.

RECODE DIDIK (0=0) (2=0) (3=1) (4=1) INTO didik2.VARIABLE LABELS  didik2 'Pendidikan
Tinggi dan Rendah'. ADD VALUE LABELS didik2 0 'Rendah' 1 'Tinggi'.
EXECUTE.

Dari tabel dapat disimpulkan bahwa :ibu ibu dikecamatan nanggalo hanya 12,6 % yang pendidikannya rendah dari data 5835 sampai data yang diteliti.

16. Lakukan cleaning data fiel kategorik lainnya Yaitu : darah, pernah, akseptor, alasan dan rencana seperti mengerjakan soal nomor 7 di atas Laporkan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning.

Dengan cara:  Analyse-descriptiv statisric-frekuensi -darah -Ok.

apabila ditemukan missing delete dengan cara : data -sort case -darah -scending -Ok. lakukan juga hal yang sama dengan field pernah, akseptor, alasan, dan rencana. 

1.      jumlah record sebelum di cleaning darah 5835 yang sudah di cleaning 5835 tidak ada mising

2.      jumlah record sebelum di cleaning pernah 5835 yang sudah di cleaning 5834

3.      jumlah record sebelum di cleaning akseptor  5834 yang sudah di cleaning 5830

4.      jumlah record sebelum di cleaning alasan  5830 yang sudah di cleaning 5752

5.      jumlah record sebelum di cleaning rencana 5752 yang sudah di cleaning 5707

17. Lakukan cleaning data lanjutan untuk field di bawah ini dengan batasan sbb :
- Kadar Hb : 6,0 - 17,5 mg/dl
- Tinggi badan 135,0 - 180 cm
- Berat Badan : 35,0 - 80,0 kg Laporkan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning.

Caranya :

Data-sort case- kadar Hb -ascending -ok, delete apabila tidak sesuai dengan yang seharusnya

Data-sort case- TB -ascending -ok,  delete apabila tidak sesuai dengan yang seharusnya

Data-sort case-BB- ascending -ok, delete apabila tidak sesuai dengan yang seharusnya

1.    perubahan data sebelum 5707 dan sesudah cleaning data kadar HB menjadi 5691.

2.    perubahan data sebelum 5691 dan sesudah cleaning data TB menjadi 5688

3.    perubahan data sebelum 5688  dan sesudah cleaning data BB menjadi 5672

18. Cleaning data terakhir untuk melihat konsistensi antar field yang saling berhubungan, yaitu antara pernah memeriksakan kehamilan dengan frekuensi pemeriksaan kehamilan. sampel yang pernah memeriksakan kehamilan frekuensinya minimal 1 dan tidak boleh kosong. Sampel yang tidak pernah memeriksakan kehamila maka frekuensi pemeriksaannya harus missing Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete).

Data Ibu yang pernah memeriksakan kehamilannya di sortcase ascending.  dan lihat field ibu yang pernah memeriksakan kehamilannya. Apabila isi fieldnya 1 maka frekuensi harus terisi dan tidak boleh kosong atau missing, sedangkan jika field pernah berisi angka 2 maka field frekunsi harus missing. Apabila tidak sesuai dengan ketentuan seharusnya maka harus di delete.

·         Jumlah data  Pemeriksaan kehamilan dengan frekuensi pemeriksaan kehamilan , data awal 5672, setelah dimissing sisanya 5517.

19. Periksa konsistensi antara pernah memeriksakan kehamilan dengan pernah atau tidak mendapatkan 5T. Ketentuannya adalah yang ditanya apakah mendapatkan pelayanan 5T adalah yang pernah memeriksakan kehamilan saja. Berarti yang menjawab Ya dan Tidak pada 5 T harus sama dengan yang pernah memeriksakan kehamilan Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi bila ada recor yang didelete

dengan cara : analyze- descriptive statistic- frekuensi-pemeriksaan kehamilan (pernah) dengan pengukuran fundus, pengukuran tensi,pengukuran TB, pemberian tablet FE dan imunisasi TT.

kalau tidak sesuai dengan ketentuan lakukanlah cleaning data dengan cara : data-sort case-pilih pernah memeriksakan kehamilan (pernah) (descending), pengukuran fundus (ascending), pengukuran TB (ascending), pengukuran tensi (ascending), pemberian tablet FE (ascending), pemberian imunisasi TT (ascending), 
periksa data apabila ada yang mengisi tidak pernah (2) maka fundus,TB, tensi,FE dan TT berisi titik , t idak boleh berisi angka, jika berisi maka missing, begitu juga jika mengisi pernah (1) maka fundus,TB, tensi,FE dan TT masing-masing field harus diisi 1 (pernah) atau 0 ( tidak pernah), jika semuanya 0 maka missing dan harus dihapus.

Hasilnya :

Konsistensi pemeriksaan kehamilan dengan pengukuran fundus, pengukuran TB, pengukuran tensi,pemberian tablet FE, dan pemberian imunisasi TT, data awal 5517 ,setelah dimissing sisanya 5495.

20. Sort case terlebih dahulu field akseptor Ambil data – sort case – pilih akseptor (ascending), ksepsi (ascending), dan alasan tidak ber-KB (ascending),jika 0 maka alasan harus berisi, jika 1 maka ksepsi harus berisi,jika tidak missing dan lihat field nya jika 0 filed ksepsi, dan N5E harus kosong dan field alasan tidak berKB dan alasan lain tidak ber KB harus terisi. Apabila ditemukan data yang tidak sesuai maka harus dihapus.

Hasilnya:

·         Konsistensi akseptor, kontrasepsi dan alasan, data awal 5495 ,setelah dimissing sisanya 5474

21. Pastekan semua syntax yang berhubungan dengan compute IMT dan pengkategoriannya disini, kemudia paste-kan output frekuensi kaegori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output.

*perhitungan IMT Ibu.

COMPUTE IMTIbu = bb / ((tb / 100) * (tb / 100)) .
VARIABLE LABELS IMTIbu 'IMT Ibu Hamil' .
EXECUTE .

*perhitungan IMT Anak Balita.
COMPUTE IMTanak = weight / ((tb / 100) * (tb / 100)) .
VARIABLE LABELS IMTanak 'IMT Anak Balita'.
EXECUTE .

RECODE

  IMTIbu
 (Lowest thru 16.9=1)  (17.00 thru 18.5=2)  (18.6 thru 25=3)  (25.1 thru 27=4)  (27.1 thru Highest=5)  INTO  imt15 .
VARIABLE LABELS imt15 'IMT Ibu Hamil'.
ADD VALUE LABELS imt15 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE .

RECODE

  IMTanak

(Lowest thru 16.9=1)  (17.0 thru 18.4999999=2)  (18.5 thru 25.0000001=3)  (25.0 thru 27.0=4)  (27.001 thru Highest=5)  INTO

   imta5 .
VARIABLE LABELS imta5 'IMT Anak Balita'.
ADD VALUE LABELS imta5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas'.
EXECUTE .

IMT IBU
               Dari tabel di atas dapat di lihat bahwa prevalensi ibu yang sangat kurus hanya 3%. Sebanyak   
               92.1% IMT ibu normal.dan dapat dilihat bahwa hanya 2.5% ibu yang mempunyai IMT kurus,
               dan 3.5% ibu memiliki IMT gemuk dan 92.1% ibu memiliki IMT normal dan 1.5 ibu memiliki IMT
                yang obesitas.
IMT ANAK BALITA

·         Dari tabel di atas dapat di lihat bahwa anak balita yang sangat kurus hanya 64,2% Sebanyak 19,6% IMT  anak balita normal.dan dapat dilihat bahwa hanya 10.1 %  anak balita yang mempunyai IMT kurus, dan 1.1 % anak balita  memiliki IMT gemuk dan 19,6 % anak balita  memiliki IMT normal dan 5,0% anak balita memiliki IMT yang obesitas.

B.   Analisa Bivariat

1.Identifikasi variabel dalam tujuan penelitian dengan menententukan variabel independen dan dependen.
2. Identifikasi field dalam database dari variabel tersebut.
3. Tentukan karakteristik data apakah tergolong katergorik/ numerik
4. tetapkan uji yang harus dilakukan /uji sementara, teori yang relevan dan (H0) pengujian.
5.

a.       Jika terdapat salah satu atau kedua variabel numerik, lakukan uji normality.

b.       apabila numerik dengan kategorik uji yang dilakukan uji anova,

c.       apabila numerik dan kategorik uji t-test,

d.      apabila keduanya numerik maka dilakukan uji korelasi.

6.       Lakukan pengujian, baca hasil dan interpretasikan

7.       Bahas dgn membandingkan dgn teori yg relevan dan penelitian terdahulu.

1. Tujuan penelitian : untuk mengetahui hubungan antara pendidikan dengan pekerjaan yang dimiliki responden.

1. var independen       : pendidikan ibu

    Var dependen         : pekerjaan ibu

2. pendidikan ibu        : didik

    Pekerjaan ibu           : kerja

3. didik                        : kategorik

    Kerja                       : kategorik

4. uji statistik yang akan dilakukan adalah uji chi square. Makin tinggi pendidikan makin tinggi jenis pekerjaan yang dimiliki ibu. dengan

HO : Tidak ada perbedaan tingkat pekerjaan ibu antara ibu yang tamat SD, SLTP, SLTA dan perguruan tingggi.

5. –

6. uji baca interpretasi : uji chi-square

7. P<0.05 maka HO ditolak

“ ada hubungan antara tingkat pendidikan ibu dengan pekerjaan yang dimiliki”

2.  Tujuan penelitian : untuk mengetahui hubungan antara pekerjaan ibu dengan kontrasepsi yang Dipilih ibu untuk ber-KB dipakai.

1. var independen : pekerjaan ibu

    Var dependen     : alat kontrasepsi

2. pekerjaan ibu               : kerja

   Alat  Kontrasepsi          : ksepsi

3. kerja                            : kategorik

    ksepsi                           : kategorik

4. uji statistik yang akan dilakukan adalah uji chi square. Makin tinggi pekerjaan ibu makin baik alat kontrasepsi yang dipakai ibu untuk ber-KB. dengan HO : Tidak ada perbedaan proporsi antara pekerjaan ibu dengan alat kontrasepsi yang dipilih ibu untuk ber-KB.
5. –

6. uji, baca, interpretasi.

7. P<0.05 maka HO ditolak

“ ada hubungan antara pekerjaan ibu dengan kontrasepsi yang dipakai ibu”.

3.Tujuan penelitian : untuk mengetahui hubungan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah

1. var independen : pemberian tablet Fe

    Var depende : kadar hemoglobin dalam darah

2. pemberian tablet Fe : TFE

    Kadar hemoglobin dalam darah      : HB

3. TFE              : kategorik

    HB                : numerik

4. uji statistik yang akan dilakukan adalah uji T-Test. Makin sering mengkonsumsi tablet Fe makin baik/tinggi kadar Hb ibu

dengan HO : tidak ada perbedaan rata-rata yang signifikan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah.

5.uji normality :

6. berdasarkan data diatas dapat disimpulkan bahwa data diatas Tidak Normal sehingga tidak di lakukan uji selanjutnya.

4. Tujuan penelitian : untuk mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan

1. var independen                : pendidikan

    Var dependen                     : frekuensi pemeriksaan kehamilan

2.  pendidikan                                          : didik

     Frekuensi pemeriksaan kehamilan         : kali

3. didik                                                                    :  kategorik

     Kali                                                                      : numerik

4. uji statistik yang akan dilakukan adalah uji parametrik (anova). Makin Tinggi pendidikan makin sering pula yang melakukan pemeriksaan kehamilan. Dengan HO : tidak ada perbedaan proporsi ibu yang sering/ jarang memeriksakan kehamilan antara ibu yang tamat SD,SLTP,SLTA dan Perguruan Tinggi.

5.uji normality

6. uji, baca, interpretasi.

Berdasarkan data diatas, dapat disimpulkan bahwa data diatas Tidak Normal sehingga tidak dilakukan uji selanjutnya.

5.  Tujuan penelitian : Untuk mengetahui hubungan antara umur ibu dengan tekanan darah sistolik

1. var independen       : Umur Ibu

    Var dependen         : Tekanan darah sistolik

2. Umur Ibu                  : Umur

    Tekanan Darah Sistolik       : sistol

3. umur ibu                                 : numerik 

    Sistol                                         : numerik

4. uji statistik yang akan dilakukan adalah uji korelasi. Makin tinggi umur ibu makin tinggi tekanan darah sistoliknya. Dengan HO : Tidak ada korelasi antara umur ibu dengan tekanan darah sistolik.

5.uji normality :

P<0,05 maka sebaran tidak normal.

8.      uji korelasi spearman :

korelasi arahnya positif dan memiliki kekuatan yang kuat.

C. Pengolahan Status Gizi   (WHO ANTRO) 

1.      Save as dan SPSS ke format dbase IV

2.      Buka WHO Anthro dan menggunakan menu Nutritional survey baca data DBF, kemudian olah sesuai prosedur yang sudah di pelajari

3.      Pilih semua baris dan copy ke Clipboard dan pastekan di Excel. Edit nama field dan hal-hal lain yang perlu di edit, kemudian simpan ke format Excel 97-2003

4.      Buka SPSS dan baca file yang berformat XLS, setelah terbaca simpan

5.      Lakukan trasformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U, BB/U). langkah ini bisa di persingkat dengan me-run syntax yang sudah didapatkan sewaktu kuliah. Hitung prevalensi statsu gizi dengan perintah frequencies dan pastekan hasilnya.

6.      Hitung prevalensi sifat masalah gizi (akut dan kronis, kronis,akut dan normal). Cara tercepat melakukannya adalah me-run syntax yang di hasilkan pada praktek dalam perkuliahan. Hasil prevalensinya di pastekan disini.

Hasil Kerja Who Antro :

1.       status gizi menurut BB/TB :

dari hasil dapat dilihat bahwa sebanyak 19.2% anak berstatus Sangat kurus dan 23,7% anak berstatus gemuk. prevalensi anak berstatus Gizi normal yaitu sebanyak 51,8%.

2.       status gizi menurut TB/U :

dari hasil dapat dilihat sebanyak 20,8% anak berstatus sangat pendek dan hanya 19.4% anak berstatus tinggi. sedangkan prevalensi anak berstatus normal sebanyak 52,8%.

3.       status gizi menurut BB/U :

dari hasil dapat dilihat sebanyak 17,4% anak berstatus gizi buruk dan lebih dari seaparuh anak berstatus gizi baik yaitu sebanyak 60,6%.

4.       menurut Akut dan Kronis :

dari hasil dapat dilihat hanya 6,3% anak yang dinyatakan menderita kekurangan gizi akut dan kronis dan lebih dari separuh anak berstatus gizi normal yaitu sebanyak 61,8%.

SELANJUTNYA...