Kuis Manajemen Data Relasional Sesi UAS
Delita Nur Hasanah G1401221018
2023-12-02
#Input Data dengan read.csv
world.edu <- read.csv("C:/Users/Delita Nur Hasanah/Music/Global_Education.csv", sep = "," )
str(world.edu)## 'data.frame': 202 obs. of 29 variables:
## $ Countries.and.areas : chr "Afghanistan" "Albania" "Algeria" "Andorra" ...
## $ Latitude : num 33.9 41.2 28 42.5 11.2 ...
## $ Longitude : num 67.71 20.17 1.66 1.52 17.87 ...
## $ OOSR_Pre0Primary_Age_Male : int 0 4 0 0 31 14 14 2 52 13 ...
## $ OOSR_Pre0Primary_Age_Female : int 0 2 0 0 39 0 4 2 50 14 ...
## $ OOSR_Primary_Age_Male : int 0 6 0 0 0 0 4 0 9 0 ...
## $ OOSR_Primary_Age_Female : int 0 3 0 0 0 0 1 0 9 0 ...
## $ OOSR_Lower_Secondary_Age_Male : int 0 6 0 0 0 0 1 0 11 2 ...
## $ OOSR_Lower_Secondary_Age_Female : int 0 1 0 0 0 0 2 0 9 3 ...
## $ OOSR_Upper_Secondary_Age_Male : int 44 21 0 0 0 0 14 15 16 10 ...
## $ OOSR_Upper_Secondary_Age_Female : int 69 15 0 0 0 0 12 7 4 6 ...
## $ Completion_Rate_Primary_Male : int 67 94 93 0 63 0 0 91 99 0 ...
## $ Completion_Rate_Primary_Female : int 40 96 93 0 57 0 0 94 99 0 ...
## $ Completion_Rate_Lower_Secondary_Male : int 49 98 49 0 42 0 0 70 95 0 ...
## $ Completion_Rate_Lower_Secondary_Female : int 26 97 65 0 32 0 0 79 99 0 ...
## $ Completion_Rate_Upper_Secondary_Male : int 32 76 22 0 24 0 0 46 69 0 ...
## $ Completion_Rate_Upper_Secondary_Female : int 14 80 37 0 15 0 0 53 79 0 ...
## $ Grade_2_3_Proficiency_Reading : int 22 0 0 0 0 0 0 76 0 94 ...
## $ Grade_2_3_Proficiency_Math : int 25 0 0 0 0 0 0 71 0 70 ...
## $ Primary_End_Proficiency_Reading : int 13 0 0 0 0 0 0 46 0 0 ...
## $ Primary_End_Proficiency_Math : int 11 0 0 0 0 0 0 56 55 64 ...
## $ Lower_Secondary_End_Proficiency_Reading: int 0 48 21 0 0 0 0 48 0 80 ...
## $ Lower_Secondary_End_Proficiency_Math : int 0 58 19 0 0 0 0 31 50 78 ...
## $ Youth_15_24_Literacy_Rate_Male : int 74 99 98 0 0 0 0 99 0 0 ...
## $ Youth_15_24_Literacy_Rate_Female : int 56 100 97 0 0 0 0 100 0 0 ...
## $ Birth_Rate : num 32.5 11.8 24.3 7.2 40.7 ...
## $ Gross_Primary_Education_Enrollment : num 104 107 110 106 114 ...
## $ Gross_Tertiary_Education_Enrollment : num 9.7 55 51.4 0 9.3 ...
## $ Unemployment_Rate : num 11.12 12.33 11.7 0 6.89 ...#Membuat data baru bernama AFRIKA BARAT dengan mengambil indeks tiap-tiap negara yang ada di Afrika Barat dan digabungkan dengan rbind
AFRIKABARAT <- rbind(world.edu[20,], world.edu[29,], world.edu[31,], world.edu[67,], world.edu[74,],world.edu[101,], world.edu[110,], world.edu[130,], world.edu[113,],world.edu[131,], world.edu[158,], world.edu[161,], world.edu[180,])
AFRIKABARAT## Countries.and.areas Latitude Longitude OOSR_Pre0Primary_Age_Male
## 20 Benin 9.307690 2.315834 15
## 29 Burkina Faso 12.238333 1.561593 81
## 31 Cape Verde 16.538800 23.041800 19
## 67 The Gambia 13.443182 15.310139 42
## 74 Guinea 9.945587 9.696645 57
## 101 Liberia 6.428055 9.429499 21
## 110 Mali 17.570692 3.996166 53
## 130 Niger 17.607789 8.081666 76
## 113 Mauritania 21.007890 10.940835 0
## 131 Nigeria 9.081999 8.675277 0
## 158 Senegal 14.497401 14.452362 85
## 161 Sierra Leone 8.460555 11.779889 58
## 180 Togo 8.619543 0.824782 1
## OOSR_Pre0Primary_Age_Female OOSR_Primary_Age_Male OOSR_Primary_Age_Female
## 20 16 3 10
## 29 81 21 22
## 31 19 6 7
## 67 36 19 10
## 74 60 15 29
## 101 21 22 21
## 110 57 38 44
## 130 76 37 45
## 113 0 25 21
## 131 0 0 0
## 158 83 30 21
## 161 57 2 2
## 180 7 2 4
## OOSR_Lower_Secondary_Age_Male OOSR_Lower_Secondary_Age_Female
## 20 27 43
## 29 48 44
## 31 14 13
## 67 0 0
## 74 43 60
## 101 17 26
## 110 49 56
## 130 61 69
## 113 31 25
## 131 0 0
## 158 0 0
## 161 49 49
## 180 15 28
## OOSR_Upper_Secondary_Age_Male OOSR_Upper_Secondary_Age_Female
## 20 46 66
## 29 67 65
## 31 29 24
## 67 0 0
## 74 59 76
## 101 20 31
## 110 71 79
## 130 84 89
## 113 63 59
## 131 0 0
## 158 0 0
## 161 64 67
## 180 47 66
## Completion_Rate_Primary_Male Completion_Rate_Primary_Female
## 20 51 44
## 29 32 29
## 31 0 0
## 67 64 60
## 74 52 39
## 101 36 33
## 110 50 41
## 130 35 24
## 113 68 58
## 131 71 71
## 158 44 50
## 161 63 65
## 180 83 76
## Completion_Rate_Lower_Secondary_Male Completion_Rate_Lower_Secondary_Female
## 20 25 13
## 29 13 6
## 31 0 0
## 67 50 48
## 74 33 20
## 101 29 23
## 110 36 25
## 130 10 4
## 113 53 40
## 131 66 59
## 158 27 30
## 161 47 42
## 180 55 39
## Completion_Rate_Upper_Secondary_Male Completion_Rate_Upper_Secondary_Female
## 20 12 5
## 29 6 2
## 31 0 0
## 67 33 28
## 74 22 13
## 101 18 9
## 110 23 12
## 130 4 1
## 113 31 23
## 131 57 44
## 158 11 10
## 161 27 18
## 180 31 12
## Grade_2_3_Proficiency_Reading Grade_2_3_Proficiency_Math
## 20 9 34
## 29 36 59
## 31 0 0
## 67 5 0
## 74 0 0
## 101 0 0
## 110 0 0
## 130 9 27
## 113 0 0
## 131 0 0
## 158 29 63
## 161 6 0
## 180 19 40
## Primary_End_Proficiency_Reading Primary_End_Proficiency_Math
## 20 23 11
## 29 21 22
## 31 0 0
## 67 0 0
## 74 0 0
## 101 0 0
## 110 0 0
## 130 2 1
## 113 0 0
## 131 0 0
## 158 35 29
## 161 0 0
## 180 16 20
## Lower_Secondary_End_Proficiency_Reading
## 20 0
## 29 0
## 31 0
## 67 0
## 74 0
## 101 0
## 110 0
## 130 0
## 113 0
## 131 0
## 158 9
## 161 0
## 180 0
## Lower_Secondary_End_Proficiency_Math Youth_15_24_Literacy_Rate_Male
## 20 0 70
## 29 0 62
## 31 0 0
## 67 0 0
## 74 0 70
## 101 0 0
## 110 0 58
## 130 0 51
## 113 0 0
## 131 0 82
## 158 8 0
## 161 0 71
## 180 0 0
## Youth_15_24_Literacy_Rate_Female Birth_Rate
## 20 52 36.22
## 29 55 37.93
## 31 0 19.49
## 67 0 38.54
## 74 43 36.36
## 101 0 33.04
## 110 43 41.54
## 130 36 46.08
## 113 0 33.69
## 131 68 37.91
## 158 0 34.52
## 161 63 33.41
## 180 0 33.11
## Gross_Primary_Education_Enrollment Gross_Tertiary_Education_Enrollment
## 20 122.0 12.3
## 29 96.1 6.5
## 31 104.0 23.6
## 67 98.0 2.7
## 74 91.5 11.6
## 101 85.1 11.9
## 110 75.6 4.5
## 130 74.7 4.4
## 113 99.9 5.0
## 131 84.7 10.2
## 158 81.0 12.8
## 161 112.8 2.0
## 180 123.8 14.5
## Unemployment_Rate
## 20 2.23
## 29 6.26
## 31 12.25
## 67 9.06
## 74 4.30
## 101 2.81
## 110 7.22
## 130 0.47
## 113 9.55
## 131 8.10
## 158 6.60
## 161 4.43
## 180 2.04#Note: Pantai Gading dan Ghana tidak ditemukan pada database#Melakukan penjumlahan data pada angka putus sekolah sekolah dasar berdasarkan jenis kelamin laki-laki dan perempuan
JumlahPutusSD <- AFRIKABARAT[, 6] + AFRIKABARAT[,7]
JumlahPutusSD## [1] 13 43 13 29 44 43 82 82 46 0 51 4 6#Menggabungkan Nama Negara Biaya Pendaftaran, Jumlah Putus SD dengan Data Frame
BiayaPutusSD <- data.frame(AFRIKABARAT$Countries.and.areas, JumlahPutusSD, AFRIKABARAT$Gross_Primary_Education_Enrollment)
BiayaPutusSD## AFRIKABARAT.Countries.and.areas JumlahPutusSD
## 1 Benin 13
## 2 Burkina Faso 43
## 3 Cape Verde 13
## 4 The Gambia 29
## 5 Guinea 44
## 6 Liberia 43
## 7 Mali 82
## 8 Niger 82
## 9 Mauritania 46
## 10 Nigeria 0
## 11 Senegal 51
## 12 Sierra Leone 4
## 13 Togo 6
## AFRIKABARAT.Gross_Primary_Education_Enrollment
## 1 122.0
## 2 96.1
## 3 104.0
## 4 98.0
## 5 91.5
## 6 85.1
## 7 75.6
## 8 74.7
## 9 99.9
## 10 84.7
## 11 81.0
## 12 112.8
## 13 123.8#Membuat Grafik Biaya Pendaftaran dan Putus Sekolah pada Tingkat SD
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.2.3BiayaPutus <- ggplot(data = BiayaPutusSD, mapping = aes(x = AFRIKABARAT.Gross_Primary_Education_Enrollment, y = JumlahPutusSD, colour = AFRIKABARAT.Countries.and.areas )) + layer(geom = "point", stat = "identity", position = "identity") +labs(title = "Biaya Pendaftaran dan Angka Putus Sekolah pada Tingkat Sekolah Dasar di Afrika Barat", x = "Biaya Pendaftaran", y = "Angka Putus Sekolah")
BiayaPutus
#Membuat Analisis Regresi Biaya Pendaftaran dan Putus Sekolah pada Tingkat SD
AnregBiayaPutus <-lm(AFRIKABARAT.Gross_Primary_Education_Enrollment ~ JumlahPutusSD, data = BiayaPutusSD)
summary(AnregBiayaPutus)##
## Call:
## lm(formula = AFRIKABARAT.Gross_Primary_Education_Enrollment ~
## JumlahPutusSD, data = BiayaPutusSD)
##
## Residuals:
## Min 1Q Median 3Q Max
## -26.827 -1.806 -0.666 3.494 16.194
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 111.5266 5.2570 21.215 2.84e-10 ***
## JumlahPutusSD -0.4400 0.1198 -3.673 0.00367 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.39 on 11 degrees of freedom
## Multiple R-squared: 0.5508, Adjusted R-squared: 0.51
## F-statistic: 13.49 on 1 and 11 DF, p-value: 0.003672#Interpretasi Dapat diambil kesimpulan bahwa Persamaan Regresi Linier Sederhana dari data Biaya Pendaftaran Sekolah Dasar dan Jumlah Angka Putus Sekolah Dasar adalah y topi = 111.5266 - 0.4400x. Persamaan ini memiliki arti bahwa jika rata-rata biaya pendaftaran sekolah dasar meningkat 1 kali, maka angka putus sekolah akan menurun sebesar 0.4400. Dan jika tidak ada peningkatan biaya sekolah, maka rata-rata angka putus sekolah dasar adalah sebesar 111.5266.
#Membuat Grfaik Angka Kelahiran dan Tingkat Pengangguran di Afrika Barat
library(ggplot2)
Pengangguran <- ggplot(data = AFRIKABARAT, mapping = aes(x = Birth_Rate, y = Unemployment_Rate, colour = Countries.and.areas)) + theme(plot.title = element_text(hjust = 0.5)) + layer(geom = "point", stat = "identity", position = "identity") + labs(title = "Angka Kelahiran dan Tingkat Pengangguran di Afrika Barat", x = "Angka Kelahiran", y = "Tingkat Pengangguran")
Pengangguran
#Membuat Analisis Regresi untuk Angka Kelahiran dan Tingkat Pengangguran di Afrika Barat
AnregPengangguran <-lm(Birth_Rate ~ Unemployment_Rate, data = AFRIKABARAT)
summary(AnregPengangguran)##
## Call:
## lm(formula = Birth_Rate ~ Unemployment_Rate, data = AFRIKABARAT)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.3068 -3.3265 -0.2907 4.4304 7.2795
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.6678 3.0817 13.197 4.35e-08 ***
## Unemployment_Rate -0.8874 0.4617 -1.922 0.0809 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.517 on 11 degrees of freedom
## Multiple R-squared: 0.2514, Adjusted R-squared: 0.1834
## F-statistic: 3.695 on 1 and 11 DF, p-value: 0.08086#Interpretasi Dapat diambil kesimpulan bahwa Persamaan Regresi Linier Sederhana dari data Angka Kelahiran dan Tingkat Pengangguran adalah y topi = 20.6678 - 0.8874x. Persamaan ini memiliki arti bahwa jika rata-rata angka kelahiran meningkat 1 kali, maka tingkat pengangguran akan menurun sebesar 0.8874. Dan jika tidak ada peningkatan angka kelahiran, maka rata-rata angka tingkat pengangguran adalah sebesar 20.6678.
#Agregat Jumlah Angka Kelahiran Berdasarkan Negara
LAHIR <- aggregate(AFRIKABARAT$Birth_Rate, list(AFRIKABARAT$Countries.and.areas), FUN = sum)
LAHIR## Group.1 x
## 1 Benin 36.22
## 2 Burkina Faso 37.93
## 3 Cape Verde 19.49
## 4 Guinea 36.36
## 5 Liberia 33.04
## 6 Mali 41.54
## 7 Mauritania 33.69
## 8 Niger 46.08
## 9 Nigeria 37.91
## 10 Senegal 34.52
## 11 Sierra Leone 33.41
## 12 The Gambia 38.54
## 13 Togo 33.11summary(LAHIR)## Group.1 x
## Length:13 Min. :19.49
## Class :character 1st Qu.:33.41
## Mode :character Median :36.22
## Mean :35.53
## 3rd Qu.:37.93
## Max. :46.08#Membuat grafik Angka Kelahiran di Afrika Barat
library(ggplot2)
Pengangguran <- ggplot(data = LAHIR, mapping = aes(x = Group.1, y = x)) + theme(plot.title = element_text(hjust = 0.5)) + layer(geom = "bar", stat = "identity", position = "identity") + labs(title = "Angka Kelahiran di Afrika Barat", x = "Negara", y = "Angka Kelahiran")
Pengangguran
#Interpretasi Cape Verde adalah negara dengan angka kelahiran terrendah yaitu sebesar 19.49 dan Niger adalah dengan angka kelahiran tertinggi yaitu sebesar 46.08
#Memilih Niger berdasarkan angka kelahiran yang tertinggi untuk dianalisis Angka Putus Sekolah pada Semua Tingkat Pendidikan
Niger <- world.edu[130,]
Niger ## Countries.and.areas Latitude Longitude OOSR_Pre0Primary_Age_Male
## 130 Niger 17.60779 8.081666 76
## OOSR_Pre0Primary_Age_Female OOSR_Primary_Age_Male OOSR_Primary_Age_Female
## 130 76 37 45
## OOSR_Lower_Secondary_Age_Male OOSR_Lower_Secondary_Age_Female
## 130 61 69
## OOSR_Upper_Secondary_Age_Male OOSR_Upper_Secondary_Age_Female
## 130 84 89
## Completion_Rate_Primary_Male Completion_Rate_Primary_Female
## 130 35 24
## Completion_Rate_Lower_Secondary_Male Completion_Rate_Lower_Secondary_Female
## 130 10 4
## Completion_Rate_Upper_Secondary_Male Completion_Rate_Upper_Secondary_Female
## 130 4 1
## Grade_2_3_Proficiency_Reading Grade_2_3_Proficiency_Math
## 130 9 27
## Primary_End_Proficiency_Reading Primary_End_Proficiency_Math
## 130 2 1
## Lower_Secondary_End_Proficiency_Reading
## 130 0
## Lower_Secondary_End_Proficiency_Math Youth_15_24_Literacy_Rate_Male
## 130 0 51
## Youth_15_24_Literacy_Rate_Female Birth_Rate
## 130 36 46.08
## Gross_Primary_Education_Enrollment Gross_Tertiary_Education_Enrollment
## 130 74.7 4.4
## Unemployment_Rate
## 130 0.47#Membuat variabel Sekolah dengan menggabungkan seluruh data angka putus sekolah berdasarkan tingkat pendidikan
Sekolah <- rbind(Niger$OOSR_Pre0Primary_Age_Male, Niger$OOSR_Pre0Primary_Age_Female, Niger$OOSR_Primary_Age_Male, Niger$OOSR_Primary_Age_Female, Niger$OOSR_Lower_Secondary_Age_Male, Niger$OOSR_Lower_Secondary_Age_Female, Niger$OOSR_Upper_Secondary_Age_Male, Niger$OOSR_Upper_Secondary_Age_Female)
Sekolah## [,1]
## [1,] 76
## [2,] 76
## [3,] 37
## [4,] 45
## [5,] 61
## [6,] 69
## [7,] 84
## [8,] 89#Membuat variabel TingkatPendidikan dan Gender yang dengan function rep
TingkatPend <- c("TK", "SD", "SMP", "SMA")
TingkatPendidikan <- rep(TingkatPend, 1, each = 2)
TingkatPendidikan## [1] "TK" "TK" "SD" "SD" "SMP" "SMP" "SMA" "SMA"Jenis <- c("Laki-laki", "Perempuan")
Gender <- rep(Jenis, 4)
Gender## [1] "Laki-laki" "Perempuan" "Laki-laki" "Perempuan" "Laki-laki" "Perempuan"
## [7] "Laki-laki" "Perempuan"#Menggabungkan 3 variabel tadi menjadi 1 data frame dengan nama Putus Sekolah
PutusSekolah <- data.frame(TingkatPendidikan, Gender, Sekolah)
PutusSekolah## TingkatPendidikan Gender Sekolah
## 1 TK Laki-laki 76
## 2 TK Perempuan 76
## 3 SD Laki-laki 37
## 4 SD Perempuan 45
## 5 SMP Laki-laki 61
## 6 SMP Perempuan 69
## 7 SMA Laki-laki 84
## 8 SMA Perempuan 89#Membuat Grafik Perbandingan Angka Putus Sekolah Berdasarkan Jenis Kelamin di Niger
Perbandingan <- ggplot(data = PutusSekolah, aes(x = TingkatPendidikan, y = Sekolah, fill = Gender)) + geom_bar(stat = "identity", position = "dodge") + theme(plot.title = element_text(hjust = 0.5)) + labs ( x = "Tingkat Pendidikan", y="Jumlah", title ="Perbandingan Angka Putus Sekolah Berdasarkan Jenis Kelamin di Negara Niger")
Perbandingan
#Interpretasi Sekolah Menengah Atas adalah tingkat pendidikan tertinggi pada angka putus sekolah di Negara Niger. Sedangkan Sekolah Dasar adalah tingkat pendidikan terendah pada angka putus sekolah di Negara Niger. Dan angka anak perempuan yang putus sekolah selalu lebih tinggi atau sama dengan angka anak laki-laki yang putus sekolah.
#Membuat Variabel Membaca dengan rbind, variabel tingkat dan digabungkan dengan data frame
Membaca <- rbind(Niger$Grade_2_3_Proficiency_Reading, Niger$Primary_End_Proficiency_Reading, Niger$Lower_Secondary_End_Proficiency_Reading)
Tingkat <- c("Kelas 2-3", "Sekolah Dasar", "Sekolah Menengah Pertama")
KemahiranBaca <- data.frame(Tingkat, Membaca)
KemahiranBaca## Tingkat Membaca
## 1 Kelas 2-3 9
## 2 Sekolah Dasar 2
## 3 Sekolah Menengah Pertama 0#Membuat Pie Chart dari data KemahiranBaca
GrafikMembaca <- ggplot(data = KemahiranBaca, mapping = aes(x = "", y = Membaca, fill = Tingkat)) + geom_bar(width = 1, stat = "identity") + coord_polar("y", start = 0) +labs(title = "Tingkat Kemahiran Membaca di Negara Niger", x = " ", y = " ")
GrafikMembaca
#Interpretasi Kelas 2-3 Sekolah Dasar merupakan waktu dimana anak-anak di Negara Niger memiliki kemahiran membaca yang tinggi.