Korelasi antara Angka Harapan Hidup dengan Rata-Rata Lama Sekolah dan BMI
Naufal Fakhri Rosyidi/M0721051
2023-07-08
A. Deskripsi Insight yang Diambil
1. Angka Harapan Hidup
Angka harapan hidup adalah ukuran statistik perkiraan rentang hidup. Ukuran yang paling umum digunakan adalah harapan hidup saat lahir (Life Expectancy at Birth/LEB), yang dapat didefinisikan dalam dua cara. LEB kohort adalah rata-rata lama hidup kelompok kelahiran (dalam hal ini, semua individu yang lahir pada tahun tertentu) dan dapat dihitung hanya untuk kelompok yang lahir sangat lama sehingga semua anggotanya telah meninggal. Periode LEB adalah panjang rata-rata hidup dari kohort hipotetis diasumsikan terpapar, dari lahir sampai mati, dengan tingkat kematian yang diamati pada tahun tertentu. Angka LEB nasional yang dilaporkan oleh badan nasional dan organisasi internasional untuk populasi manusia adalah perkiraan periode LEB.
2. Rata-Rata Lama Sekolah
Rata-rata lama sekolah (Mean Year Schooling/MYS) adalah perhitungan rata-rata jumlah tahun pendidikan yang sebenarnya diterima oleh siswa berusia di atas 25 tahun. Ini didasarkan pada tingkat pencapaian pendidikan penduduk yang dikonversi menjadi tahun sekolah berdasarkan durasi teoritis dari setiap tingkat pendidikan yang diikuti. 15 tahun adalah proyeksi maksimum dari indikator ini untuk tahun 2025 dan dengan demikian digunakan sebagai maksimum untuk indeks. Ini berarti bahwa negara yang semua warganya mencapai 15 tahun pendidikan pada usia 25 tahun, akan memiliki indeks MYS 1,0.
3. BMI
Indeks massa tubuh (BMI) adalah nilai yang diperoleh dari massa (berat badan) dan tinggi badan seseorang. BMI didefinisikan sebagai massa tubuh dibagi kuadrat tinggi badan, dan dinyatakan dalam satuan kg/m^2, yang dihasilkan dari massa dalam kilogram dan tinggi badan dalam meter.
B. Analisis Data
Pertama, panggil package readxl dan ggplot2. Package readxl diperlukan untuk membaca file excel sedangkan package ggplot2 akan digunakan untuk membuat scatterplot.
library(readxl)
library(ggplot2)Kedua, masukkan file excel yang sudah diunduh.
data <- read_excel("data_case_method - dataset.xlsx")Ketiga, tampilkan statistik deskriptif dari data tersebut.
summary(data)## No Country Region Year
## Min. : 1.0 Length:2864 Length:2864 Min. :2000
## 1st Qu.: 716.8 Class :character Class :character 1st Qu.:2004
## Median :1432.5 Mode :character Mode :character Median :2008
## Mean :1432.5 Mean :2008
## 3rd Qu.:2148.2 3rd Qu.:2011
## Max. :2864.0 Max. :2015
## Infant_deaths Under_five_deaths Adult_mortality Alcohol_consumption
## Min. : 1.80 Min. : 2.300 Min. : 49.38 Min. : 0.000
## 1st Qu.: 8.10 1st Qu.: 9.675 1st Qu.:106.91 1st Qu.: 1.200
## Median : 19.60 Median : 23.100 Median :163.84 Median : 4.020
## Mean : 30.36 Mean : 42.938 Mean :192.25 Mean : 4.821
## 3rd Qu.: 47.35 3rd Qu.: 66.000 3rd Qu.:246.79 3rd Qu.: 7.777
## Max. :138.10 Max. :224.900 Max. :719.36 Max. :17.870
## Hepatitis_B Measles BMI Polio Diphtheria
## Min. :12.00 Min. :10.00 Min. :19.80 Min. : 8.0 Min. :16.00
## 1st Qu.:78.00 1st Qu.:64.00 1st Qu.:23.20 1st Qu.:81.0 1st Qu.:81.00
## Median :89.00 Median :83.00 Median :25.50 Median :93.0 Median :93.00
## Mean :84.29 Mean :77.34 Mean :25.03 Mean :86.5 Mean :86.27
## 3rd Qu.:96.00 3rd Qu.:93.00 3rd Qu.:26.40 3rd Qu.:97.0 3rd Qu.:97.00
## Max. :99.00 Max. :99.00 Max. :32.10 Max. :99.0 Max. :99.00
## Incidents_HIV GDP_per_capita Population_mln
## Min. : 0.0100 Min. : 148 Min. : 0.080
## 1st Qu.: 0.0800 1st Qu.: 1416 1st Qu.: 2.098
## Median : 0.1500 Median : 4217 Median : 7.850
## Mean : 0.8943 Mean : 11541 Mean : 36.676
## 3rd Qu.: 0.4600 3rd Qu.: 12557 3rd Qu.: 23.688
## Max. :21.6800 Max. :112418 Max. :1379.860
## Thinness_ten_nineteen_years Thinness_five_nine_years Schooling
## Min. : 0.100 Min. : 0.1 Min. : 1.100
## 1st Qu.: 1.600 1st Qu.: 1.6 1st Qu.: 5.100
## Median : 3.300 Median : 3.4 Median : 7.800
## Mean : 4.866 Mean : 4.9 Mean : 7.632
## 3rd Qu.: 7.200 3rd Qu.: 7.3 3rd Qu.:10.300
## Max. :27.700 Max. :28.6 Max. :14.100
## Economy_status_Developed Economy_status_Developing Life_expectancy
## Min. :0.0000 Min. :0.0000 Min. :39.40
## 1st Qu.:0.0000 1st Qu.:1.0000 1st Qu.:62.70
## Median :0.0000 Median :1.0000 Median :71.40
## Mean :0.2067 Mean :0.7933 Mean :68.86
## 3rd Qu.:0.0000 3rd Qu.:1.0000 3rd Qu.:75.40
## Max. :1.0000 Max. :1.0000 Max. :83.80Selanjutnya, kita akan melihat pola hubungan antara Angka Harapan Hidup dengan Rata-Rata Lama Sekolah dan BMI dengan membuat scatterplot.
Scatterplot untuk hubungan Angka Harapan Hidup dengan Rata-Rata Lama Sekolah yaitu sebagai berikut:
ggplot(data, aes(x = Schooling, y = Life_expectancy)) + geom_point(color = 'Red') + labs(title = 'Hubungan antara Harapan Hidup dengan Rata-Rata Lama Sekolah', x = 'Rata-Rata Lama Sekolah', y = 'Angka Harapan Hidup') + geom_smooth(method = lm)## `geom_smooth()` using formula 'y ~ x'
Scatterplot di atas menunjukkan adanya hubungan positif antara Angka Harapan Hidup dengan Rata-Rata Lama Sekolah sehingga apabila Rata-Rata Lama Sekolah suatu negara semakin tinggi, maka Angka Harapan Hidupnya juga semakin tinggi.
Scatterplot untuk hubungan Angka Harapan Hidup dengan BMI yaitu sebagai berikut:
ggplot(data, aes(x = BMI, y = Life_expectancy)) + geom_point(color = 'Yellow') + labs(title = 'Hubungan antara Harapan Hidup dengan BMI', x = 'BMI', y = 'Angka Harapan Hidup') + geom_smooth(method=lm,)## `geom_smooth()` using formula 'y ~ x'
Scatterplot di atas menunjukkan adanya hubungan positif antara Angka Harapan Hidup dengan BMI. Apabila BMI meningkat, maka Angka Harapan Hidup juga meningkat.
Selanjutnya akan dicari koefisien korelasi antara Angka Harapan Hidup dengan Rata-Rata Lama Sekolah dan BMI. Korelasi positif berarti hubungan kedua variabel searah, sedangkan korelasi negatif berarti hubungan kedua variabel tidak searah. Hubungan kedua variabel semakin kuat apabila angka koefisien korelasi mendekati 1, sementara jika angka mendekati 0, maka hubungan semakin lemah.
Koefisien korelasi antara Angka Harapan Hidup dan Rata-Rata Lama Sekolah adalah sebagai berikut:
cor_lama_sekolah <- cor(data$Schooling, data$Life_expectancy)
cor_lama_sekolah## [1] 0.7324845Didapatkan koefisien korelasi sebesar 0.732 yang berarti Angka Harapan Hidup dan Rata-Rata Lama Sekolah memiliki korelasi positif yang kuat.
Koefisien korelasi antara Angka Harapan Hidup dan BMI adalah sebagai berikut:
cor_BMI <- cor(data$BMI, data$Life_expectancy)
cor_BMI## [1] 0.5984233Didapatkan koefisien korelasi sebesar 0.598 yang berarti Angka Harapan Hidup dan Rata-Rata Lama Sekolah memiliki korelasi positif dan kuat.
C. Kesimpulan
Berdasarkan analisis di atas, terlihat bahwa ada hubungan positif antara Angka Harapan Hidup dengan Rata-Rata Lama Sekolah dan BMI. Angka Harapan Hidup memiliki hubungan yang lebih kuat dengan Rata-Rata Lama Sekolah dibandingkan dengan BMI. Oleh karena itu, untuk meningkatkan Angka Harapan Hidup suatu negara, maka perlu diadakan peningkatan kualitas serta pemerataan pendidikan agar kejadian putus sekolah menurun. Selain itu, pemberian makanan bergizi ke daerah yang mengalami kesulitan pangan juga dapat dilakukan untuk meningkatkan Angka Harapan Hidup.