Life Expectancy Prediction Using Neural Network
Mazka Buana Hidayat/M0722049
Pendahuluan
Data dan Sumber Data
Data berisi angka harapan hidup, kesehatan, imunisasi, serta informasi ekonomi dan demografi dari 179 negara dari tahun 2000-2015. Dataset yang telah disesuaikan memiliki 21 variabel dan 2.864 baris. Data diperoleh dari platform Kaggle https://www.kaggle.com/datasets/lashagoch/life-expectancy-who-updated/data. Berikut adalah deskripsi fitur data:
Country: Daftar 179 negara.
Region: 179 negara didistribusikan dalam 9 wilayah. Misalnya, Afrika, Asia, Oseania, Uni Eropa, Eropa Lainnya, dan lain-lain.
Year: Tahun-tahun yang diamati dari 2000 hingga 2015.
Infant_deaths: Mewakili kematian bayi per 1000 penduduk.
Under_five_deaths: Mewakili kematian anak di bawah usia lima tahun per 1000 penduduk.
Adult_mortality: Mewakili kematian orang dewasa per 1000 penduduk.
Alcohol_consumption: Mewakili konsumsi alkohol yang dicatat dalam liter alkohol murni per kapita untuk usia 15+ tahun.
Hepatitis_B: Mewakili persentase cakupan imunisasi Hepatitis B (HepB3) di antara anak-anak berusia 1 tahun.
Measles: Mewakili persentase cakupan imunisasi dosis pertama vaksin campak (MCV1) di antara anak-anak berusia 1 tahun.
BMI: BMI adalah ukuran status gizi pada orang dewasa. BMI didefinisikan sebagai berat seseorang dalam kilogram dibagi dengan kuadrat tinggi badannya dalam meter.
Polio: Mewakili persentase cakupan imunisasi polio (Pol3) di antara anak-anak berusia 1 tahun.
Diphtheria: Mewakili persentase cakupan imunisasi difteri toksoid tetanus dan pertusis (DTP3) di antara anak-anak berusia 1 tahun.
Incidents_HIV: Insiden HIV per 1000 penduduk berusia 15-49 tahun.
GDP_per_capita: PDB per kapita dalam USD saat ini.
Population_mln: Total populasi dalam jutaan.
Thinness_ten_nineteen_years: Prevalensi kekurusan di antara remaja berusia 10-19 tahun. BMI < -2 deviasi standar di bawah median.
Thinness_five_nine_years: Prevalensi kekurusan di antara anak-anak berusia 5-9 tahun. BMI < -2 deviasi standar di bawah median.
Schooling: Rata-rata tahun yang dihabiskan oleh orang berusia 25+ dalam pendidikan formal.
Economy_status_Developed: Negara maju.
Economy_status_Developing: Negara berkembang.
Life_expectancy: Rata-rata harapan hidup dari kedua jenis kelamin pada tahun-tahun berbeda dari 2010 hingga 2015.
Neural Network with “neuralnet” Packages
Neural network, atau jaringan saraf tiruan, merupakan salah satu model komputasi yang sangat populer dalam bidang pembelajaran mesin dan kecerdasan buatan. Terinspirasi oleh cara kerja otak manusia, jaringan saraf terdiri dari unit-unit pemrosesan sederhana yang disebut neuron, yang dihubungkan dalam lapisan-lapisan. Neural network mampu menangkap dan memodelkan hubungan non-linear yang kompleks antara fitur input dan output, sehingga sangat efektif untuk berbagai aplikasi seperti klasifikasi, regresi, pengenalan pola, dan banyak lagi.
Di dalam ekosistem bahasa pemrograman R, paket
neuralnet merupakan salah satu alat yang
kuat dan mudah digunakan untuk membangun dan melatih model neural
network. Paket ini menyediakan fungsionalitas yang fleksibel untuk
mendefinisikan arsitektur jaringan, memilih fungsi aktivasi, dan
mengatur parameter pelatihan. Selain itu,
neuralnet mendukung visualisasi yang
membantu pengguna memahami struktur jaringan dan hubungan antara neuron.
Penggunaan paket ini sangat bermanfaat bagi peneliti dan praktisi yang
ingin menerapkan neural network tanpa harus beralih ke platform atau
bahasa pemrograman lain.
Paket neuralnet memungkinkan pengguna
untuk mengkonfigurasi model dengan berbagai pilihan, termasuk jumlah
lapisan tersembunyi dan neuron, jenis algoritma pelatihan, dan fungsi
kesalahan. Misalnya, pengguna dapat memilih fungsi aktivasi seperti
sigmoid, tanh, atau ReLU untuk menangani non-linearitas dalam data.
Selain itu, paket ini mendukung berbagai metode optimasi untuk
mempercepat konvergensi dan meningkatkan akurasi model. Hal ini
menjadikan neuralnet sebagai alat yang
serbaguna untuk eksperimen dan pengembangan model neural network di
R.
Dalam konteks dataset harapan hidup yang mengandung informasi
kesehatan, imunisasi, serta data ekonomi dan demografi dari 179 negara
selama periode 2000-2015, neural network dapat digunakan untuk
memprediksi harapan hidup berdasarkan berbagai fitur ini. Penggunaan
paket neuralnet memungkinkan peneliti
untuk membangun model yang kompleks dengan mudah, menguji berbagai
konfigurasi, dan menganalisis hasil untuk mendapatkan wawasan yang
berharga. Kemampuan untuk menangani hubungan non-linear dan interaksi
antar fitur menjadikan neural network sebagai pilihan yang ideal untuk
analisis data yang rumit dan beragam seperti ini.
Import Packages
Data Preparation
Data Import
data <- read.csv('D:/Kuliah/Semester 4/Sistem Informasi Manajemen/CM 2/5.csv', stringsAsFactors = TRUE, sep =';', dec = ',')
str(data)## 'data.frame': 2864 obs. of 18 variables:
## $ Infant_deaths : num 11.1 2.7 51.5 32.8 3.4 9.8 6.6 8.7 22 15.3 ...
## $ Under_five_deaths : num 13 3.3 67.9 40.5 4.3 11.2 8.2 10.1 26.1 17.8 ...
## $ Adult_mortality : num 105.8 57.9 201.1 222.2 58 ...
## $ Alcohol_consumption : num 1.32 10.35 1.57 5.68 2.89 ...
## $ Hepatitis_B : int 97 97 60 93 97 88 97 88 97 97 ...
## $ Measles : int 65 94 35 74 89 86 97 99 87 92 ...
## $ BMI : num 27.8 26 21.2 25.3 27 26.4 26.2 25.9 27.9 26.5 ...
## $ Polio : int 97 97 67 92 94 89 97 99 97 96 ...
## $ Diphtheria : int 97 97 64 93 94 89 97 99 99 90 ...
## $ Incidents_HIV : num 0.08 0.09 0.13 0.79 0.08 0.16 0.08 0.08 0.13 0.43 ...
## $ GDP_per_capita : int 11006 25742 1076 4146 33995 9110 9313 8971 3708 2235 ...
## $ Population_mln : num 78.53 46.44 1183.21 0.75 7.91 ...
## $ Thinness_ten_nineteen_years: num 4.9 0.6 27.1 5.7 1.2 2 2.3 2.3 4 2.9 ...
## $ Thinness_five_nine_years : num 4.8 0.5 28 5.5 1.1 1.9 2.3 2.3 3.9 3.1 ...
## $ Schooling : num 7.8 9.7 5 7.9 12.8 7.9 12 10.2 9.6 10.9 ...
## $ Economy_status_Developed : int 0 1 0 0 1 0 0 1 0 0 ...
## $ Economy_status_Developing : int 1 0 1 1 0 1 1 0 1 1 ...
## $ Life_expectancy : num 76.5 82.8 65.4 67 81.7 78.2 71.2 71.2 71.9 68.7 ...data <- data[, !names(data) %in% c("No", "Country", "Region", "Year")]
str(data)## 'data.frame': 2864 obs. of 18 variables:
## $ Infant_deaths : num 11.1 2.7 51.5 32.8 3.4 9.8 6.6 8.7 22 15.3 ...
## $ Under_five_deaths : num 13 3.3 67.9 40.5 4.3 11.2 8.2 10.1 26.1 17.8 ...
## $ Adult_mortality : num 105.8 57.9 201.1 222.2 58 ...
## $ Alcohol_consumption : num 1.32 10.35 1.57 5.68 2.89 ...
## $ Hepatitis_B : int 97 97 60 93 97 88 97 88 97 97 ...
## $ Measles : int 65 94 35 74 89 86 97 99 87 92 ...
## $ BMI : num 27.8 26 21.2 25.3 27 26.4 26.2 25.9 27.9 26.5 ...
## $ Polio : int 97 97 67 92 94 89 97 99 97 96 ...
## $ Diphtheria : int 97 97 64 93 94 89 97 99 99 90 ...
## $ Incidents_HIV : num 0.08 0.09 0.13 0.79 0.08 0.16 0.08 0.08 0.13 0.43 ...
## $ GDP_per_capita : int 11006 25742 1076 4146 33995 9110 9313 8971 3708 2235 ...
## $ Population_mln : num 78.53 46.44 1183.21 0.75 7.91 ...
## $ Thinness_ten_nineteen_years: num 4.9 0.6 27.1 5.7 1.2 2 2.3 2.3 4 2.9 ...
## $ Thinness_five_nine_years : num 4.8 0.5 28 5.5 1.1 1.9 2.3 2.3 3.9 3.1 ...
## $ Schooling : num 7.8 9.7 5 7.9 12.8 7.9 12 10.2 9.6 10.9 ...
## $ Economy_status_Developed : int 0 1 0 0 1 0 0 1 0 0 ...
## $ Economy_status_Developing : int 1 0 1 1 0 1 1 0 1 1 ...
## $ Life_expectancy : num 76.5 82.8 65.4 67 81.7 78.2 71.2 71.2 71.9 68.7 ...Disini penulis tidak menggunakan atau menghapus kolom ‘No’, ‘Country’ , ‘Year’ , dan ‘Region’.
Exploratory Data Analysis
Summary Statistics
summary(data)## 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. :83.80Data ini mencakup variasi yang luas dalam hal kesehatan, ekonomi, dan demografi dari berbagai negara. Angka harapan hidup, misalnya, sangat bervariasi dan tampaknya dipengaruhi oleh berbagai faktor seperti angka kematian bayi, cakupan imunisasi, PDB per kapita, dan tingkat pendidikan. Data ini menyediakan basis yang kaya untuk analisis lebih lanjut dalam memahami faktor-faktor yang mempengaruhi harapan hidup di berbagai negara.
Distribution Analysis
Berikut adalah plot distribusi untuk fitur numerik
data %>%
select_if(is.numeric) %>%
pivot_longer(cols = everything(), names_to = "Variable", values_to = "Value") %>%
ggplot(aes(x = Value)) +
geom_histogram(bins = 30, fill = "blue", color = "white") +
facet_wrap(~ Variable, scales = "free") +
theme_minimal()
Secara keseluruhan, histogram ini menunjukkan variasi yang signifikan dalam variabel-variabel kesehatan, imunisasi, ekonomi, dan demografi di berbagai negara. Banyak variabel menunjukkan distribusi yang sangat miring ke kanan, mengindikasikan bahwa ada sejumlah kecil negara dengan nilai yang sangat tinggi untuk variabel-variabel tertentu seperti PDB per kapita dan populasi, sementara sebagian besar negara memiliki nilai yang lebih rendah. Harapan hidup dan cakupan imunisasi umumnya tinggi di banyak negara, sementara variabel-variabel seperti kematian dewasa dan anak menunjukkan nilai yang lebih rendah di sebagian besar negara.
Selanjutnya kita dapat mendeteksi outlier menggunakan boxplot:
data %>%
select_if(is.numeric) %>%
gather(key = "Variable", value = "Value") %>%
ggplot(aes(x = Variable, y = Value)) +
geom_boxplot(fill = "lightblue") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Boxplot ini memberikan gambaran yang jelas tentang distribusi dan variabilitas dari setiap variabel dalam dataset. GDP per kapita adalah variabel yang paling bervariasi dengan banyak outlier, menunjukkan perbedaan ekonomi yang besar. Variabel lainnya menunjukkan distribusi yang lebih terkonsentrasi dengan variasi yang lebih sedikit. Plot ini membantu mengidentifikasi pola distribusi dan potensi outlier dalam dataset, yang penting untuk analisis lebih lanjut dan pemodelan.
Selain itu kita dapat melihat persebaran data dengan menggunakan scatter plot:
Kita dapat melihat distribusi data nominal di kolom “Economy_status_Developed” dan kolom “Economy_status_Developing”
data_summary_developed <- data %>%
group_by(Economy_status_Developed) %>%
summarise(count = n())
data_summary_developed$Economy_status_Developed <- factor(data_summary_developed$Economy_status_Developed,
levels = c(0, 1),
labels = c("No", "Yes"))
plot_developed <- ggplot(data_summary_developed, aes(x = "", y = count, fill = Economy_status_Developed)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
theme_void() +
labs(title = "Pie Chart of Economy Status Developed",
fill = "Economy Status") +
theme(legend.position = "right")
data_summary_developing <- data %>%
group_by(Economy_status_Developing) %>%
summarise(count = n())
data_summary_developing$Economy_status_Developing <- factor(data_summary_developing$Economy_status_Developing,
levels = c(0, 1),
labels = c("No", "Yes"))
plot_developing <- ggplot(data_summary_developing, aes(x = "", y = count, fill = Economy_status_Developing)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
theme_void() +
labs(title = "Pie Chart of Economy Status Developing",
fill = "Economy Status") +
theme(legend.position = "right")
grid.arrange(plot_developed, plot_developing, ncol = 2)
Diagram pie ini menunjukkan bahwa dalam dataset, jumlah negara berkembang jauh lebih banyak dibandingkan dengan negara maju. Hal ini mencerminkan distribusi status ekonomi global yang didominasi oleh negara-negara yang masih dalam tahap perkembangan. Interpretasi ini penting untuk memahami konteks data dan analisis selanjutnya yang mungkin perlu mempertimbangkan perbedaan signifikan antara kelompok negara maju dan berkembang.
Correlation Analysis
cor_matrix <- cor(data %>% select_if(is.numeric), use = "complete.obs")
corrplot(cor_matrix, method = "color", type = "upper", tl.col = "black", tl.cex = 0.7, order = "hclust")
Peta korelasi ini memberikan wawasan yang jelas tentang hubungan antar variabel dalam dataset. Kekuatan korelasi yang tinggi antara variabel ekonomi, pendidikan, dan kesehatan menunjukkan bagaimana faktor-faktor ini saling terkait dan mempengaruhi satu sama lain. Negara-negara dengan PDB per kapita yang lebih tinggi, tingkat pendidikan yang lebih baik, dan cakupan imunisasi yang lebih luas cenderung memiliki harapan hidup yang lebih panjang dan angka kematian yang lebih rendah. Sebaliknya, negara berkembang cenderung memiliki indikator-indikator ini pada tingkat yang lebih rendah, menunjukkan tantangan yang mereka hadapi dalam meningkatkan kesejahteraan dan kesehatan masyarakat.
cor_test <- rcorr(as.matrix(data %>% select_if(is.numeric)))
cor_test## Infant_deaths Under_five_deaths Adult_mortality
## Infant_deaths 1.00 0.99 0.79
## Under_five_deaths 0.99 1.00 0.80
## Adult_mortality 0.79 0.80 1.00
## Alcohol_consumption -0.45 -0.41 -0.24
## Hepatitis_B -0.51 -0.51 -0.34
## Measles -0.53 -0.51 -0.42
## BMI -0.66 -0.67 -0.52
## Polio -0.74 -0.74 -0.52
## Diphtheria -0.72 -0.73 -0.51
## Incidents_HIV 0.35 0.37 0.70
## GDP_per_capita -0.51 -0.47 -0.51
## Population_mln 0.01 -0.01 -0.05
## Thinness_ten_nineteen_years 0.49 0.47 0.38
## Thinness_five_nine_years 0.48 0.45 0.38
## Schooling -0.79 -0.77 -0.58
## Economy_status_Developed -0.48 -0.43 -0.43
## Economy_status_Developing 0.48 0.43 0.43
## Life_expectancy -0.92 -0.92 -0.95
## Alcohol_consumption Hepatitis_B Measles BMI Polio
## Infant_deaths -0.45 -0.51 -0.53 -0.66 -0.74
## Under_five_deaths -0.41 -0.51 -0.51 -0.67 -0.74
## Adult_mortality -0.24 -0.34 -0.42 -0.52 -0.52
## Alcohol_consumption 1.00 0.17 0.32 0.28 0.30
## Hepatitis_B 0.17 1.00 0.43 0.35 0.72
## Measles 0.32 0.43 1.00 0.42 0.51
## BMI 0.28 0.35 0.42 1.00 0.46
## Polio 0.30 0.72 0.51 0.46 1.00
## Diphtheria 0.30 0.76 0.49 0.43 0.95
## Incidents_HIV -0.03 -0.08 -0.15 -0.16 -0.15
## GDP_per_capita 0.44 0.16 0.31 0.34 0.31
## Population_mln -0.04 -0.08 -0.10 -0.17 -0.03
## Thinness_ten_nineteen_years -0.45 -0.21 -0.34 -0.60 -0.31
## Thinness_five_nine_years -0.43 -0.21 -0.37 -0.60 -0.31
## Schooling 0.62 0.35 0.50 0.64 0.55
## Economy_status_Developed 0.67 0.11 0.30 0.24 0.28
## Economy_status_Developing -0.67 -0.11 -0.30 -0.24 -0.28
## Life_expectancy 0.40 0.42 0.49 0.60 0.64
## Diphtheria Incidents_HIV GDP_per_capita
## Infant_deaths -0.72 0.35 -0.51
## Under_five_deaths -0.73 0.37 -0.47
## Adult_mortality -0.51 0.70 -0.51
## Alcohol_consumption 0.30 -0.03 0.44
## Hepatitis_B 0.76 -0.08 0.16
## Measles 0.49 -0.15 0.31
## BMI 0.43 -0.16 0.34
## Polio 0.95 -0.15 0.31
## Diphtheria 1.00 -0.15 0.31
## Incidents_HIV -0.15 1.00 -0.17
## GDP_per_capita 0.31 -0.17 1.00
## Population_mln -0.03 -0.06 -0.04
## Thinness_ten_nineteen_years -0.30 0.19 -0.38
## Thinness_five_nine_years -0.30 0.19 -0.38
## Schooling 0.54 -0.20 0.58
## Economy_status_Developed 0.29 -0.18 0.67
## Economy_status_Developing -0.29 0.18 -0.67
## Life_expectancy 0.63 -0.55 0.58
## Population_mln Thinness_ten_nineteen_years
## Infant_deaths 0.01 0.49
## Under_five_deaths -0.01 0.47
## Adult_mortality -0.05 0.38
## Alcohol_consumption -0.04 -0.45
## Hepatitis_B -0.08 -0.21
## Measles -0.10 -0.34
## BMI -0.17 -0.60
## Polio -0.03 -0.31
## Diphtheria -0.03 -0.30
## Incidents_HIV -0.06 0.19
## GDP_per_capita -0.04 -0.38
## Population_mln 1.00 0.26
## Thinness_ten_nineteen_years 0.26 1.00
## Thinness_five_nine_years 0.26 0.94
## Schooling -0.03 -0.57
## Economy_status_Developed -0.04 -0.42
## Economy_status_Developing 0.04 0.42
## Life_expectancy 0.03 -0.47
## Thinness_five_nine_years Schooling
## Infant_deaths 0.48 -0.79
## Under_five_deaths 0.45 -0.77
## Adult_mortality 0.38 -0.58
## Alcohol_consumption -0.43 0.62
## Hepatitis_B -0.21 0.35
## Measles -0.37 0.50
## BMI -0.60 0.64
## Polio -0.31 0.55
## Diphtheria -0.30 0.54
## Incidents_HIV 0.19 -0.20
## GDP_per_capita -0.38 0.58
## Population_mln 0.26 -0.03
## Thinness_ten_nineteen_years 0.94 -0.57
## Thinness_five_nine_years 1.00 -0.55
## Schooling -0.55 1.00
## Economy_status_Developed -0.41 0.60
## Economy_status_Developing 0.41 -0.60
## Life_expectancy -0.46 0.73
## Economy_status_Developed Economy_status_Developing
## Infant_deaths -0.48 0.48
## Under_five_deaths -0.43 0.43
## Adult_mortality -0.43 0.43
## Alcohol_consumption 0.67 -0.67
## Hepatitis_B 0.11 -0.11
## Measles 0.30 -0.30
## BMI 0.24 -0.24
## Polio 0.28 -0.28
## Diphtheria 0.29 -0.29
## Incidents_HIV -0.18 0.18
## GDP_per_capita 0.67 -0.67
## Population_mln -0.04 0.04
## Thinness_ten_nineteen_years -0.42 0.42
## Thinness_five_nine_years -0.41 0.41
## Schooling 0.60 -0.60
## Economy_status_Developed 1.00 -1.00
## Economy_status_Developing -1.00 1.00
## Life_expectancy 0.52 -0.52
## Life_expectancy
## Infant_deaths -0.92
## Under_five_deaths -0.92
## Adult_mortality -0.95
## Alcohol_consumption 0.40
## Hepatitis_B 0.42
## Measles 0.49
## BMI 0.60
## Polio 0.64
## Diphtheria 0.63
## Incidents_HIV -0.55
## GDP_per_capita 0.58
## Population_mln 0.03
## Thinness_ten_nineteen_years -0.47
## Thinness_five_nine_years -0.46
## Schooling 0.73
## Economy_status_Developed 0.52
## Economy_status_Developing -0.52
## Life_expectancy 1.00
##
## n= 2864
##
##
## P
## Infant_deaths Under_five_deaths Adult_mortality
## Infant_deaths 0.0000 0.0000
## Under_five_deaths 0.0000 0.0000
## Adult_mortality 0.0000 0.0000
## Alcohol_consumption 0.0000 0.0000 0.0000
## Hepatitis_B 0.0000 0.0000 0.0000
## Measles 0.0000 0.0000 0.0000
## BMI 0.0000 0.0000 0.0000
## Polio 0.0000 0.0000 0.0000
## Diphtheria 0.0000 0.0000 0.0000
## Incidents_HIV 0.0000 0.0000 0.0000
## GDP_per_capita 0.0000 0.0000 0.0000
## Population_mln 0.6835 0.7795 0.0039
## Thinness_ten_nineteen_years 0.0000 0.0000 0.0000
## Thinness_five_nine_years 0.0000 0.0000 0.0000
## Schooling 0.0000 0.0000 0.0000
## Economy_status_Developed 0.0000 0.0000 0.0000
## Economy_status_Developing 0.0000 0.0000 0.0000
## Life_expectancy 0.0000 0.0000 0.0000
## Alcohol_consumption Hepatitis_B Measles BMI
## Infant_deaths 0.0000 0.0000 0.0000 0.0000
## Under_five_deaths 0.0000 0.0000 0.0000 0.0000
## Adult_mortality 0.0000 0.0000 0.0000 0.0000
## Alcohol_consumption 0.0000 0.0000 0.0000
## Hepatitis_B 0.0000 0.0000 0.0000
## Measles 0.0000 0.0000 0.0000
## BMI 0.0000 0.0000 0.0000
## Polio 0.0000 0.0000 0.0000 0.0000
## Diphtheria 0.0000 0.0000 0.0000 0.0000
## Incidents_HIV 0.0679 0.0000 0.0000 0.0000
## GDP_per_capita 0.0000 0.0000 0.0000 0.0000
## Population_mln 0.0363 0.0000 0.0000 0.0000
## Thinness_ten_nineteen_years 0.0000 0.0000 0.0000 0.0000
## Thinness_five_nine_years 0.0000 0.0000 0.0000 0.0000
## Schooling 0.0000 0.0000 0.0000 0.0000
## Economy_status_Developed 0.0000 0.0000 0.0000 0.0000
## Economy_status_Developing 0.0000 0.0000 0.0000 0.0000
## Life_expectancy 0.0000 0.0000 0.0000 0.0000
## Polio Diphtheria Incidents_HIV GDP_per_capita
## Infant_deaths 0.0000 0.0000 0.0000 0.0000
## Under_five_deaths 0.0000 0.0000 0.0000 0.0000
## Adult_mortality 0.0000 0.0000 0.0000 0.0000
## Alcohol_consumption 0.0000 0.0000 0.0679 0.0000
## Hepatitis_B 0.0000 0.0000 0.0000 0.0000
## Measles 0.0000 0.0000 0.0000 0.0000
## BMI 0.0000 0.0000 0.0000 0.0000
## Polio 0.0000 0.0000 0.0000
## Diphtheria 0.0000 0.0000 0.0000
## Incidents_HIV 0.0000 0.0000 0.0000
## GDP_per_capita 0.0000 0.0000 0.0000
## Population_mln 0.0732 0.1436 0.0019 0.0289
## Thinness_ten_nineteen_years 0.0000 0.0000 0.0000 0.0000
## Thinness_five_nine_years 0.0000 0.0000 0.0000 0.0000
## Schooling 0.0000 0.0000 0.0000 0.0000
## Economy_status_Developed 0.0000 0.0000 0.0000 0.0000
## Economy_status_Developing 0.0000 0.0000 0.0000 0.0000
## Life_expectancy 0.0000 0.0000 0.0000 0.0000
## Population_mln Thinness_ten_nineteen_years
## Infant_deaths 0.6835 0.0000
## Under_five_deaths 0.7795 0.0000
## Adult_mortality 0.0039 0.0000
## Alcohol_consumption 0.0363 0.0000
## Hepatitis_B 0.0000 0.0000
## Measles 0.0000 0.0000
## BMI 0.0000 0.0000
## Polio 0.0732 0.0000
## Diphtheria 0.1436 0.0000
## Incidents_HIV 0.0019 0.0000
## GDP_per_capita 0.0289 0.0000
## Population_mln 0.0000
## Thinness_ten_nineteen_years 0.0000
## Thinness_five_nine_years 0.0000 0.0000
## Schooling 0.0725 0.0000
## Economy_status_Developed 0.0589 0.0000
## Economy_status_Developing 0.0589 0.0000
## Life_expectancy 0.1594 0.0000
## Thinness_five_nine_years Schooling
## Infant_deaths 0.0000 0.0000
## Under_five_deaths 0.0000 0.0000
## Adult_mortality 0.0000 0.0000
## Alcohol_consumption 0.0000 0.0000
## Hepatitis_B 0.0000 0.0000
## Measles 0.0000 0.0000
## BMI 0.0000 0.0000
## Polio 0.0000 0.0000
## Diphtheria 0.0000 0.0000
## Incidents_HIV 0.0000 0.0000
## GDP_per_capita 0.0000 0.0000
## Population_mln 0.0000 0.0725
## Thinness_ten_nineteen_years 0.0000 0.0000
## Thinness_five_nine_years 0.0000
## Schooling 0.0000
## Economy_status_Developed 0.0000 0.0000
## Economy_status_Developing 0.0000 0.0000
## Life_expectancy 0.0000 0.0000
## Economy_status_Developed Economy_status_Developing
## Infant_deaths 0.0000 0.0000
## Under_five_deaths 0.0000 0.0000
## Adult_mortality 0.0000 0.0000
## Alcohol_consumption 0.0000 0.0000
## Hepatitis_B 0.0000 0.0000
## Measles 0.0000 0.0000
## BMI 0.0000 0.0000
## Polio 0.0000 0.0000
## Diphtheria 0.0000 0.0000
## Incidents_HIV 0.0000 0.0000
## GDP_per_capita 0.0000 0.0000
## Population_mln 0.0589 0.0589
## Thinness_ten_nineteen_years 0.0000 0.0000
## Thinness_five_nine_years 0.0000 0.0000
## Schooling 0.0000 0.0000
## Economy_status_Developed 0.0000
## Economy_status_Developing 0.0000
## Life_expectancy 0.0000 0.0000
## Life_expectancy
## Infant_deaths 0.0000
## Under_five_deaths 0.0000
## Adult_mortality 0.0000
## Alcohol_consumption 0.0000
## Hepatitis_B 0.0000
## Measles 0.0000
## BMI 0.0000
## Polio 0.0000
## Diphtheria 0.0000
## Incidents_HIV 0.0000
## GDP_per_capita 0.0000
## Population_mln 0.1594
## Thinness_ten_nineteen_years 0.0000
## Thinness_five_nine_years 0.0000
## Schooling 0.0000
## Economy_status_Developed 0.0000
## Economy_status_Developing 0.0000
## Life_expectancyMayoritas korelasi yang ditemukan dalam data ini signifikan secara
statistik (p-value < 0.05), menunjukkan bahwa hubungan yang diamati
tidak terjadi secara kebetulan. Beberapa pengecualian dengan p-value
yang lebih tinggi (misalnya,
Population_mln dengan beberapa variabel)
menunjukkan korelasi yang tidak signifikan.
Matriks korelasi dan uji signifikansi ini memberikan wawasan mendalam tentang hubungan antar variabel dalam dataset. Harapan hidup sangat dipengaruhi oleh faktor-faktor seperti angka kematian bayi, anak di bawah lima tahun, dan orang dewasa, serta tingkat pendidikan dan cakupan imunisasi. Variabel ekonomi seperti PDB per kapita dan status ekonomi negara juga menunjukkan hubungan kuat dengan berbagai indikator kesehatan dan pendidikan. Uji signifikansi mengonfirmasi bahwa sebagian besar hubungan yang diamati signifikan secara statistik, memberikan dasar yang kuat untuk analisis lebih lanjut.
cor_coef <- cor_test$r
p_values <- cor_test$P
flattenCorrMatrix <- function(cormat, pmat) {
ut <- upper.tri(cormat)
data.frame(
row = rownames(cormat)[row(cormat)[ut]],
column = rownames(cormat)[col(cormat)[ut]],
cor =(cormat)[ut],
p = pmat[ut]
)
}
correlation_results <- flattenCorrMatrix(cor_coef, p_values)
print(correlation_results)## row column cor
## 1 Infant_deaths Under_five_deaths 0.985651346
## 2 Infant_deaths Adult_mortality 0.794660859
## 3 Under_five_deaths Adult_mortality 0.802361123
## 4 Infant_deaths Alcohol_consumption -0.454526147
## 5 Under_five_deaths Alcohol_consumption -0.409367397
## 6 Adult_mortality Alcohol_consumption -0.244793756
## 7 Infant_deaths Hepatitis_B -0.512562239
## 8 Under_five_deaths Hepatitis_B -0.507427407
## 9 Adult_mortality Hepatitis_B -0.344882208
## 10 Alcohol_consumption Hepatitis_B 0.168435824
## 11 Infant_deaths Measles -0.526282009
## 12 Under_five_deaths Measles -0.512971742
## 13 Adult_mortality Measles -0.416152535
## 14 Alcohol_consumption Measles 0.318602931
## 15 Hepatitis_B Measles 0.429167787
## 16 Infant_deaths BMI -0.661988274
## 17 Under_five_deaths BMI -0.665255042
## 18 Adult_mortality BMI -0.522865511
## 19 Alcohol_consumption BMI 0.284031946
## 20 Hepatitis_B BMI 0.345420911
## 21 Measles BMI 0.416321410
## 22 Infant_deaths Polio -0.740790461
## 23 Under_five_deaths Polio -0.742983474
## 24 Adult_mortality Polio -0.524225536
## 25 Alcohol_consumption Polio 0.301926232
## 26 Hepatitis_B Polio 0.724345263
## 27 Measles Polio 0.514096291
## 28 BMI Polio 0.457206039
## 29 Infant_deaths Diphtheria -0.721874646
## 30 Under_five_deaths Diphtheria -0.725355032
## 31 Adult_mortality Diphtheria -0.513802696
## 32 Alcohol_consumption Diphtheria 0.299015921
## 33 Hepatitis_B Diphtheria 0.761780089
## 34 Measles Diphtheria 0.494058775
## 35 BMI Diphtheria 0.426500902
## 36 Polio Diphtheria 0.953177898
## 37 Infant_deaths Incidents_HIV 0.349458264
## 38 Under_five_deaths Incidents_HIV 0.369617726
## 39 Adult_mortality Incidents_HIV 0.699119379
## 40 Alcohol_consumption Incidents_HIV -0.034118015
## 41 Hepatitis_B Incidents_HIV -0.075781953
## 42 Measles Incidents_HIV -0.150580001
## 43 BMI Incidents_HIV -0.161142083
## 44 Polio Incidents_HIV -0.147952202
## 45 Diphtheria Incidents_HIV -0.146931907
## 46 Infant_deaths GDP_per_capita -0.512286115
## 47 Under_five_deaths GDP_per_capita -0.469681668
## 48 Adult_mortality GDP_per_capita -0.510121407
## 49 Alcohol_consumption GDP_per_capita 0.443965954
## 50 Hepatitis_B GDP_per_capita 0.159375041
## 51 Measles GDP_per_capita 0.313723718
## 52 BMI GDP_per_capita 0.336179596
## 53 Polio GDP_per_capita 0.313785672
## 54 Diphtheria GDP_per_capita 0.313320941
## 55 Incidents_HIV GDP_per_capita -0.169589724
## 56 Infant_deaths Population_mln 0.007621990
## 57 Under_five_deaths Population_mln -0.005234231
## 58 Adult_mortality Population_mln -0.053847680
## 59 Alcohol_consumption Population_mln -0.039118659
## 60 Hepatitis_B Population_mln -0.082396398
## 61 Measles Population_mln -0.098221891
## 62 BMI Population_mln -0.166482004
## 63 Polio Population_mln -0.033485888
## 64 Diphtheria Population_mln -0.027335977
## 65 Incidents_HIV Population_mln -0.058039708
## 66 GDP_per_capita Population_mln -0.040838867
## 67 Infant_deaths Thinness_ten_nineteen_years 0.491191738
## 68 Under_five_deaths Thinness_ten_nineteen_years 0.466978458
## 69 Adult_mortality Thinness_ten_nineteen_years 0.382140301
## 70 Alcohol_consumption Thinness_ten_nineteen_years -0.446366179
## 71 Hepatitis_B Thinness_ten_nineteen_years -0.208453498
## 72 Measles Thinness_ten_nineteen_years -0.340705333
## 73 BMI Thinness_ten_nineteen_years -0.596483280
## 74 Polio Thinness_ten_nineteen_years -0.312685454
## 75 Diphtheria Thinness_ten_nineteen_years -0.304466248
## 76 Incidents_HIV Thinness_ten_nineteen_years 0.188764545
## 77 GDP_per_capita Thinness_ten_nineteen_years -0.375269742
## 78 Population_mln Thinness_ten_nineteen_years 0.256322009
## 79 Infant_deaths Thinness_five_nine_years 0.477639341
## 80 Under_five_deaths Thinness_five_nine_years 0.450755699
## 81 Adult_mortality Thinness_five_nine_years 0.379792291
## 82 Alcohol_consumption Thinness_five_nine_years -0.433029715
## 83 Hepatitis_B Thinness_five_nine_years -0.213794424
## 84 Measles Thinness_five_nine_years -0.366969951
## 85 BMI Thinness_five_nine_years -0.599112191
## 86 Polio Thinness_five_nine_years -0.306998110
## 87 Diphtheria Thinness_five_nine_years -0.295597455
## 88 Incidents_HIV Thinness_five_nine_years 0.193847342
## 89 GDP_per_capita Thinness_five_nine_years -0.381032110
## 90 Population_mln Thinness_five_nine_years 0.258485836
## 91 Thinness_ten_nineteen_years Thinness_five_nine_years 0.938757102
## 92 Infant_deaths Schooling -0.788512532
## 93 Under_five_deaths Schooling -0.773195983
## 94 Adult_mortality Schooling -0.581035479
## 95 Alcohol_consumption Schooling 0.615728040
## 96 Hepatitis_B Schooling 0.347643446
## 97 Measles Schooling 0.498391280
## 98 BMI Schooling 0.635475166
## 99 Polio Schooling 0.552765114
## 100 Diphtheria Schooling 0.535620970
## 101 Incidents_HIV Schooling -0.201246204
## 102 GDP_per_capita Schooling 0.580625918
## 103 Population_mln Schooling -0.033561816
## 104 Thinness_ten_nineteen_years Schooling -0.571485157
## 105 Thinness_five_nine_years Schooling -0.551376353
## 106 Infant_deaths Economy_status_Developed -0.475866196
## 107 Under_five_deaths Economy_status_Developed -0.427134181
## 108 Adult_mortality Economy_status_Developed -0.429374768
## 109 Alcohol_consumption Economy_status_Developed 0.670366089
## 110 Hepatitis_B Economy_status_Developed 0.113534050
## 111 Measles Economy_status_Developed 0.298693291
## 112 BMI Economy_status_Developed 0.243287049
## 113 Polio Economy_status_Developed 0.283260116
## 114 Diphtheria Economy_status_Developed 0.289417184
## 115 Incidents_HIV Economy_status_Developed -0.175635244
## 116 GDP_per_capita Economy_status_Developed 0.667546907
## 117 Population_mln Economy_status_Developed -0.035301833
## 118 Thinness_ten_nineteen_years Economy_status_Developed -0.416097662
## 119 Thinness_five_nine_years Economy_status_Developed -0.414867336
## 120 Schooling Economy_status_Developed 0.599439397
## 121 Infant_deaths Economy_status_Developing 0.475866196
## 122 Under_five_deaths Economy_status_Developing 0.427134181
## 123 Adult_mortality Economy_status_Developing 0.429374768
## 124 Alcohol_consumption Economy_status_Developing -0.670366089
## 125 Hepatitis_B Economy_status_Developing -0.113534050
## 126 Measles Economy_status_Developing -0.298693291
## 127 BMI Economy_status_Developing -0.243287049
## 128 Polio Economy_status_Developing -0.283260116
## 129 Diphtheria Economy_status_Developing -0.289417184
## 130 Incidents_HIV Economy_status_Developing 0.175635244
## 131 GDP_per_capita Economy_status_Developing -0.667546907
## 132 Population_mln Economy_status_Developing 0.035301833
## 133 Thinness_ten_nineteen_years Economy_status_Developing 0.416097662
## 134 Thinness_five_nine_years Economy_status_Developing 0.414867336
## 135 Schooling Economy_status_Developing -0.599439397
## 136 Economy_status_Developed Economy_status_Developing -1.000000000
## 137 Infant_deaths Life_expectancy -0.920031919
## 138 Under_five_deaths Life_expectancy -0.920419134
## 139 Adult_mortality Life_expectancy -0.945360364
## 140 Alcohol_consumption Life_expectancy 0.399159108
## 141 Hepatitis_B Life_expectancy 0.417804432
## 142 Measles Life_expectancy 0.490018589
## 143 BMI Life_expectancy 0.598423325
## 144 Polio Life_expectancy 0.641217455
## 145 Diphtheria Life_expectancy 0.627541392
## 146 Incidents_HIV Life_expectancy -0.553027464
## 147 GDP_per_capita Life_expectancy 0.583089722
## 148 Population_mln Life_expectancy 0.026297880
## 149 Thinness_ten_nineteen_years Life_expectancy -0.467824495
## 150 Thinness_five_nine_years Life_expectancy -0.458166227
## 151 Schooling Life_expectancy 0.732484469
## 152 Economy_status_Developed Life_expectancy 0.523790979
## 153 Economy_status_Developing Life_expectancy -0.523790979
## p
## 1 0.000000e+00
## 2 0.000000e+00
## 3 0.000000e+00
## 4 0.000000e+00
## 5 0.000000e+00
## 6 0.000000e+00
## 7 0.000000e+00
## 8 0.000000e+00
## 9 0.000000e+00
## 10 0.000000e+00
## 11 0.000000e+00
## 12 0.000000e+00
## 13 0.000000e+00
## 14 0.000000e+00
## 15 0.000000e+00
## 16 0.000000e+00
## 17 0.000000e+00
## 18 0.000000e+00
## 19 0.000000e+00
## 20 0.000000e+00
## 21 0.000000e+00
## 22 0.000000e+00
## 23 0.000000e+00
## 24 0.000000e+00
## 25 0.000000e+00
## 26 0.000000e+00
## 27 0.000000e+00
## 28 0.000000e+00
## 29 0.000000e+00
## 30 0.000000e+00
## 31 0.000000e+00
## 32 0.000000e+00
## 33 0.000000e+00
## 34 0.000000e+00
## 35 0.000000e+00
## 36 0.000000e+00
## 37 0.000000e+00
## 38 0.000000e+00
## 39 0.000000e+00
## 40 6.790962e-02
## 41 4.914805e-05
## 42 4.440892e-16
## 43 0.000000e+00
## 44 1.776357e-15
## 45 2.664535e-15
## 46 0.000000e+00
## 47 0.000000e+00
## 48 0.000000e+00
## 49 0.000000e+00
## 50 0.000000e+00
## 51 0.000000e+00
## 52 0.000000e+00
## 53 0.000000e+00
## 54 0.000000e+00
## 55 0.000000e+00
## 56 6.834727e-01
## 57 7.794801e-01
## 58 3.944519e-03
## 59 3.631566e-02
## 60 1.009453e-05
## 61 1.387300e-07
## 62 0.000000e+00
## 63 7.317098e-02
## 64 1.435888e-01
## 65 1.887810e-03
## 66 2.885185e-02
## 67 0.000000e+00
## 68 0.000000e+00
## 69 0.000000e+00
## 70 0.000000e+00
## 71 0.000000e+00
## 72 0.000000e+00
## 73 0.000000e+00
## 74 0.000000e+00
## 75 0.000000e+00
## 76 0.000000e+00
## 77 0.000000e+00
## 78 0.000000e+00
## 79 0.000000e+00
## 80 0.000000e+00
## 81 0.000000e+00
## 82 0.000000e+00
## 83 0.000000e+00
## 84 0.000000e+00
## 85 0.000000e+00
## 86 0.000000e+00
## 87 0.000000e+00
## 88 0.000000e+00
## 89 0.000000e+00
## 90 0.000000e+00
## 91 0.000000e+00
## 92 0.000000e+00
## 93 0.000000e+00
## 94 0.000000e+00
## 95 0.000000e+00
## 96 0.000000e+00
## 97 0.000000e+00
## 98 0.000000e+00
## 99 0.000000e+00
## 100 0.000000e+00
## 101 0.000000e+00
## 102 0.000000e+00
## 103 7.252191e-02
## 104 0.000000e+00
## 105 0.000000e+00
## 106 0.000000e+00
## 107 0.000000e+00
## 108 0.000000e+00
## 109 0.000000e+00
## 110 1.108242e-09
## 111 0.000000e+00
## 112 0.000000e+00
## 113 0.000000e+00
## 114 0.000000e+00
## 115 0.000000e+00
## 116 0.000000e+00
## 117 5.889325e-02
## 118 0.000000e+00
## 119 0.000000e+00
## 120 0.000000e+00
## 121 0.000000e+00
## 122 0.000000e+00
## 123 0.000000e+00
## 124 0.000000e+00
## 125 1.108242e-09
## 126 0.000000e+00
## 127 0.000000e+00
## 128 0.000000e+00
## 129 0.000000e+00
## 130 0.000000e+00
## 131 0.000000e+00
## 132 5.889325e-02
## 133 0.000000e+00
## 134 0.000000e+00
## 135 0.000000e+00
## 136 0.000000e+00
## 137 0.000000e+00
## 138 0.000000e+00
## 139 0.000000e+00
## 140 0.000000e+00
## 141 0.000000e+00
## 142 0.000000e+00
## 143 0.000000e+00
## 144 0.000000e+00
## 145 0.000000e+00
## 146 0.000000e+00
## 147 0.000000e+00
## 148 1.594287e-01
## 149 0.000000e+00
## 150 0.000000e+00
## 151 0.000000e+00
## 152 0.000000e+00
## 153 0.000000e+00Hasil ini menunjukkan bahwa harapan hidup sangat dipengaruhi oleh faktor-faktor seperti angka kematian bayi, kematian anak di bawah lima tahun, dan kematian orang dewasa, serta tingkat pendidikan dan PDB per kapita. Cakupan imunisasi juga berperan penting dalam menentukan harapan hidup. Negara maju cenderung memiliki indikator ekonomi dan pendidikan yang lebih baik, yang berkorelasi dengan harapan hidup yang lebih tinggi.
Pemodelan Neural Network
Train Test Split dan Feature Scaling
set.seed(123)
train.index <- createDataPartition(data$Life_expectancy, p = 0.8, list = FALSE)
train <- data[train.index, ]
test <- data[-train.index, ]
preprocessParams <- preProcess(train[, -18], method = c("center", "scale"))
train_X <- as.matrix(predict(preprocessParams, train[, -18]))
test_X <- as.matrix(predict(preprocessParams, test[, -18]))
train_y <- train[, 18]
test_y <- test[, 18]Train-Test Split: Data dibagi menjadi dua bagian, yaitu data latih (train) dan data uji (test) dengan proporsi 80-20. Ini dilakukan untuk melatih model pada sebagian besar data dan menguji performanya pada data yang belum pernah dilihat sebelumnya.
Normalisasi Data: Data latih di-normalisasi
menggunakan metode centering (memindahkan rata-rata menjadi 0) dan
scaling (menyesuaikan variansi menjadi 1) untuk setiap fitur, kecuali
target (Life_expectancy).
Langkah ini penting untuk memastikan bahwa model dilatih dan diuji dengan data yang telah dinormalisasi dengan benar, yang dapat meningkatkan performa model dan memastikan evaluasi yang adil. Membagi data menjadi data latih dan data uji memungkinkan penilaian yang lebih akurat terhadap kemampuan generalisasi model pada data baru.
Evaluasi
Penulis memilih RMSE karena memberikan ukuran yang intuitif dan langsung dari seberapa jauh prediksi model dari nilai aktual dalam skala yang sama dengan target variabel. RMSE juga menghukum kesalahan besar, membantu memastikan bahwa model tidak hanya mengurangi kesalahan rata-rata, tetapi juga memperhatikan outlier yang signifikan. Kombinasi dari kemudahan interpretasi, penerimaan luas, dan sensitivitas terhadap kesalahan besar membuat RMSE menjadi pilihan yang kuat untuk evaluasi model regresi.
Kesimpulan dan Saran
Penelitian ini bertujuan untuk memprediksi harapan hidup (Life_expectancy) menggunakan model neural network dengan berbagai variabel terkait kesehatan, ekonomi, dan demografi dari 179 negara selama periode 2000-2015. Berikut adalah kesimpulan mendalam berdasarkan langkah-langkah yang dilakukan dan hasil yang diperoleh:
Persiapan Data:
Dataset yang digunakan berisi 21 variabel dan 2.864 baris data. Variabel-variabel ini mencakup indikator kesehatan (seperti kematian bayi, cakupan imunisasi), indikator ekonomi (seperti PDB per kapita), dan indikator demografi (seperti populasi dan tingkat pendidikan).
Data dibagi menjadi dua bagian: data latih (80%) dan data uji (20%). Normalisasi dilakukan untuk memastikan bahwa semua fitur berada pada skala yang sama.
Model Neural Network:
Dua model neural network dibangun dan dilatih. Model pertama memiliki arsitektur dua lapisan tersembunyi dengan 10 dan 5 neuron. Model kedua memiliki arsitektur yang lebih kompleks dengan tiga lapisan tersembunyi yang terdiri dari 15, 10, dan 5 neuron.
Kedua model menggunakan fungsi aktivasi
tanh, fungsi kesalahan SSE (Sum of Squared Errors), dan dilatih menggunakan algoritma standard backpropagation (slr).
Evaluasi Model:
Evaluasi model dilakukan menggunakan Root Mean Squared Error (RMSE). RMSE memberikan ukuran rata-rata kesalahan prediksi dalam skala yang sama dengan target variabel.
Hasil evaluasi menunjukkan bahwa kedua model menghasilkan RMSE yang hampir identik sekitar 9.41. Ini menunjukkan bahwa, rata-rata, prediksi harapan hidup memiliki kesalahan sekitar 9.41 tahun dari nilai aktual.
Analisis Hasil:
Arsitektur Model: Meskipun model kedua memiliki arsitektur yang lebih kompleks, tidak ada peningkatan signifikan dalam kinerja model berdasarkan RMSE. Ini menunjukkan bahwa menambah kedalaman jaringan tidak selalu meningkatkan akurasi prediksi, yang mungkin disebabkan oleh beberapa faktor seperti overfitting atau data yang tidak cukup kompleks untuk memanfaatkan arsitektur yang lebih dalam.
Faktor Penentu Harapan Hidup: Analisis korelasi menunjukkan bahwa variabel-variabel seperti angka kematian bayi, angka kematian anak di bawah lima tahun, kematian orang dewasa, tingkat pendidikan, dan cakupan imunisasi memiliki hubungan yang signifikan dengan harapan hidup. PDB per kapita juga menunjukkan korelasi positif yang kuat dengan harapan hidup, mengindikasikan bahwa faktor ekonomi berperan penting dalam menentukan kesejahteraan dan umur panjang.
Saran:
Pemodelan: Hasil ini menunjukkan bahwa pemodelan neural network dapat menangkap hubungan kompleks antara berbagai variabel kesehatan, ekonomi, dan demografi dengan harapan hidup. Namun, peningkatan performa model mungkin memerlukan pendekatan lain seperti tuning hyperparameter, menambah fitur yang lebih relevan, atau menggunakan teknik regularisasi untuk mencegah overfitting.
Kebijakan Publik: Temuan ini dapat membantu pembuat kebijakan untuk fokus pada faktor-faktor yang paling berpengaruh terhadap harapan hidup, seperti meningkatkan cakupan imunisasi, menurunkan angka kematian bayi dan anak, serta meningkatkan akses pendidikan dan kondisi ekonomi.
Penelitian Lebih Lanjut: Penelitian di masa depan dapat mengeksplorasi penggunaan model lain seperti ensemble learning atau teknik deep learning yang lebih canggih. Selain itu, mengintegrasikan data dari sumber lain atau periode yang lebih panjang dapat memberikan wawasan yang lebih komprehensif.
Referensi
Uğuz, H. (2012). A hybrid system based on neural networks for breast cancer diagnosis. Expert Systems with Applications, 39(1), 1071-1077. DOI: 10.1016/j.eswa.2011.07.031
Ture, M., Kurt, I., Turhan, A. E., & Ozdamar, K. (2005). Comparing classification techniques for predicting essential hypertension. Expert Systems with Applications, 29(3), 583-588. DOI: 10.1016/j.eswa.2005.04.002
Wilkinson, R. G., & Pickett, K. E. (2006). Income inequality and population health: A review and explanation of the evidence. Social Science & Medicine, 62(7), 1768-1784. DOI: 10.1016/j.socscimed.2005.08.036
Cutler, D. M., Deaton, A. S., & Lleras-Muney, A. (2006). The determinants of mortality. Journal of Economic Perspectives, 20(3), 97-120. DOI: 10.1257/jep.20.3.97
Gakidou, E., Cowling, K., Lozano, R., & Murray, C. J. L. (2010). Increased educational attainment and its effect on child mortality in 175 countries between 1970 and 2009: A systematic analysis. The Lancet, 376(9745), 959-974. DOI: 10.1016/S0140-6736(10)61257-3
Lee, J. W., & McKibbin, W. J. (2004). Globalization and disease: The case of SARS. Asian Economic Papers, 3(1), 113-131. DOI: 10.1162/1535351041747932
Kaggle. (n.d.). Life Expectancy (WHO). Retrieved from https://www.kaggle.com/datasets/lashagoch/life-expectancy-who-updated
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Available at https://www.deeplearningbook.org/
World Health Organization. (2016). World Health Statistics 2016: Monitoring health for the SDGs. WHO. Retrieved from https://www.who.int/gho/publications/world_health_statistics/2016/en/
World Health Organization. (2019). Global Health Observatory (GHO) data: Life expectancy. Retrieved from https://www.who.int/gho/mortality_burden_disease/life_tables/situation_trends/en/