Indikator Negara dengan Ekonomi Maju

Perkembangan ekonomi global selama beberapa dekade terakhir telah menunjukkan perbedaan yang signifikan antara negara-negara maju dan negara-negara berkembang. Negara-negara maju umumnya ditandai dengan tingkat kemakmuran yang tinggi, infrastruktur yang maju, sistem pendidikan yang kuat, dan layanan kesehatan yang berkualitas. Indikator-indikator ini sering digunakan untuk mengukur dan membandingkan tingkat kesejahteraan antara negara-negara di seluruh dunia.

Laporan ini bertujuan untuk mengidentifikasi dan menganalisis berbagai indikator yang membedakan negara dengan status ekonomi maju dan negara berkembang. Dengan menggunakan data dari tahun 2000 hingga 2015, akan dieksplorasi beberapa aspek penting seperti harapan hidup, Produk Domestik Bruto (GDP) per kapita, konsumsi alkohol, mortalitas dewasa, pendidikan, dan lainnya. Analisis ini diharapkan dapat memberikan wawasan mendalam tentang faktor-faktor yang berkontribusi terhadap status ekonomi suatu negara.

Visualisasi data yang disajikan dalam laporan ini mencakup berbagai grafik yang memberikan gambaran komprehensif tentang hubungan antara indikator-indikator tersebut dengan status ekonomi negara. Misalnya, grafik harapan hidup menunjukkan tren peningkatan di hampir semua wilayah, dengan perbedaan yang signifikan antara negara maju dan berkembang. Grafik GDP per kapita juga menyoroti kesenjangan ekonomi yang substansial, sementara analisis terhadap pendidikan mengungkapkan pentingnya akses dan kualitas pendidikan dalam mendukung pertumbuhan ekonomi.

Dengan memahami indikator-indikator ini, dapat di identifikasi faktor-faktor kunci yang perlu diperhatikan dalam upaya meningkatkan kesejahteraan dan pertumbuhan ekonomi di negara-negara berkembang. Selain itu, laporan ini juga memberikan dasar bagi pembuat kebijakan untuk merumuskan strategi yang efektif dalam mengurangi kesenjangan ekonomi global.

1. Import data dan library

1.1. Import library

library(dplyr) # Digunakan untuk manipulasi data
library(ggplot2) # Digunakan untuk visualisasi data
print("Library berhasil di load")
## [1] "Library berhasil di load"

1.2. Import data

# Membaca "data.csv" dimana data memiliki baris header, dipisahkan oleh ; dan , sebagai pemisah desimal.
data <- read.csv("data.csv", header = TRUE, sep = ";", dec=",")
head(data)
##   No    Country                        Region Year Infant_deaths
## 1  1    Turkiye                   Middle East 2015          11.1
## 2  2      Spain                European Union 2015           2.7
## 3  3      India                          Asia 2007          51.5
## 4  4     Guyana                 South America 2006          32.8
## 5  5     Israel                   Middle East 2012           3.4
## 6  6 Costa Rica Central America and Caribbean 2006           9.8
##   Under_five_deaths Adult_mortality Alcohol_consumption Hepatitis_B Measles
## 1              13.0        105.8240                1.32          97      65
## 2               3.3         57.9025               10.35          97      94
## 3              67.9        201.0765                1.57          60      35
## 4              40.5        222.1965                5.68          93      74
## 5               4.3         57.9510                2.89          97      89
## 6              11.2         95.2200                4.19          88      86
##    BMI Polio Diphtheria Incidents_HIV GDP_per_capita Population_mln
## 1 27.8    97         97          0.08          11006          78.53
## 2 26.0    97         97          0.09          25742          46.44
## 3 21.2    67         64          0.13           1076        1183.21
## 4 25.3    92         93          0.79           4146           0.75
## 5 27.0    94         94          0.08          33995           7.91
## 6 26.4    89         89          0.16           9110           4.35
##   Thinness_ten_nineteen_years Thinness_five_nine_years Schooling
## 1                         4.9                      4.8       7.8
## 2                         0.6                      0.5       9.7
## 3                        27.1                     28.0       5.0
## 4                         5.7                      5.5       7.9
## 5                         1.2                      1.1      12.8
## 6                         2.0                      1.9       7.9
##   Economy_status_Developed Economy_status_Developing Life_expectancy
## 1                        0                         1            76.5
## 2                        1                         0            82.8
## 3                        0                         1            65.4
## 4                        0                         1            67.0
## 5                        1                         0            81.7
## 6                        0                         1            78.2

1.2.1. Deskripsi Data:

Data ini berisi informasi tentang harapan hidup, kesehatan, imunisasi, serta informasi ekonomi dan demografi dari 179 negara selama tahun 2000 hingga 2015. Dataset yang ini memiliki 21 variabel dan 2.864 baris.

1.2.2. Keterangan Variabel:

  1. Country: Daftar 179 negara
  2. Region: 179 negara dibagi ke dalam 9 wilayah, seperti Afrika, Asia, Oseania, Uni Eropa, Sisa Eropa, dan lainnya
  3. Year: Tahun pengamatan dari 2000 hingga 2015
  4. Infant_deaths: Mewakili jumlah kematian bayi per 1000 penduduk
  5. Under_five_deaths: Mewakili jumlah kematian anak di bawah lima tahun per 1000 penduduk
  6. Adult_mortality: Mewakili jumlah kematian dewasa per 1000 penduduk
  7. Alcohol_consumption: Mewakili konsumsi alkohol yang dicatat dalam liter alkohol murni per kapita untuk usia 15 tahun ke atas
  8. Hepatitis_B: Mewakili persentase cakupan imunisasi Hepatitis B (HepB3) di kalangan anak berusia satu tahun
  9. Measles: Mewakili persentase cakupan imunisasi vaksin campak dosis pertama (MCV1) di kalangan anak berusia satu tahun
  10. BMI: BMI adalah ukuran status gizi pada orang dewasa. Ini didefinisikan sebagai berat seseorang dalam kilogram dibagi dengan kuadrat tinggi badannya
  11. Polio: Mewakili persentase cakupan imunisasi Polio (Pol3) di kalangan anak berusia satu tahun
  12. Diphtheria: Mewakili persentase cakupan imunisasi difteri, tetanus, toksoid, dan batuk rejan (DTP3) di kalangan anak berusia satu tahun
  13. Incidents_HIV: Insiden HIV per 1000 penduduk berusia 15-49 tahun
  14. GDP_per_capita: PDB per kapita dalam USD saat ini
  15. Population_mln: Total populasi dalam jutaan
  16. Thinness_ten_nineteen_years: Prevalensi kekurusan di antara remaja berusia 10-19 tahun. BMI < -2 deviasi standar di bawah median
  17. Thinness_five_nine_years: Prevalensi kekurusan di antara anak-anak berusia 5-9 tahun. BMI < -2 deviasi standar di bawah median
  18. Schooling: Rata-rata tahun yang dihabiskan orang berusia 25 tahun ke atas dalam pendidikan formal
  19. Economy_status_Developed: Negara maju
  20. Economy_status_Developing: Negara berkembang
  21. Life_expectancy: Rata-rata harapan hidup kedua jenis kelamin di berbagai tahun dari 2010 hingga 2015

2. Data Cleaning

Sebelum data dapat dianalisis, perlu diamati terlebih dahulu, apakah data sudah “bersih” atau masih perlu untuk dilakukan pembersihan. Beberapa poin data dapat dikatakan bersih kurang lebih:

  1. Setiap fitur/variabel memiliki tipe data yang benar.
  2. Data diharapkan tidak memiliki null value.

2.1. Diagnosis aturan pertama

glimpse(data)
## Rows: 2,864
## Columns: 22
## $ No                          <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,…
## $ Country                     <chr> "Turkiye", "Spain", "India", "Guyana", "Is…
## $ Region                      <chr> "Middle East", "European Union", "Asia", "…
## $ Year                        <int> 2015, 2015, 2007, 2006, 2012, 2006, 2015, …
## $ Infant_deaths               <dbl> 11.1, 2.7, 51.5, 32.8, 3.4, 9.8, 6.6, 8.7,…
## $ Under_five_deaths           <dbl> 13.0, 3.3, 67.9, 40.5, 4.3, 11.2, 8.2, 10.…
## $ Adult_mortality             <dbl> 105.8240, 57.9025, 201.0765, 222.1965, 57.…
## $ Alcohol_consumption         <dbl> 1.32, 10.35, 1.57, 5.68, 2.89, 4.19, 8.06,…
## $ Hepatitis_B                 <int> 97, 97, 60, 93, 97, 88, 97, 88, 97, 97, 96…
## $ Measles                     <int> 65, 94, 35, 74, 89, 86, 97, 99, 87, 92, 70…
## $ BMI                         <dbl> 27.8, 26.0, 21.2, 25.3, 27.0, 26.4, 26.2, …
## $ Polio                       <int> 97, 97, 67, 92, 94, 89, 97, 99, 97, 96, 96…
## $ Diphtheria                  <int> 97, 97, 64, 93, 94, 89, 97, 99, 99, 90, 95…
## $ Incidents_HIV               <dbl> 0.08, 0.09, 0.13, 0.79, 0.08, 0.16, 0.08, …
## $ GDP_per_capita              <int> 11006, 25742, 1076, 4146, 33995, 9110, 931…
## $ Population_mln              <dbl> 78.53, 46.44, 1183.21, 0.75, 7.91, 4.35, 1…
## $ Thinness_ten_nineteen_years <dbl> 4.9, 0.6, 27.1, 5.7, 1.2, 2.0, 2.3, 2.3, 4…
## $ Thinness_five_nine_years    <dbl> 4.8, 0.5, 28.0, 5.5, 1.1, 1.9, 2.3, 2.3, 3…
## $ Schooling                   <dbl> 7.8, 9.7, 5.0, 7.9, 12.8, 7.9, 12.0, 10.2,…
## $ Economy_status_Developed    <int> 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, …
## $ Economy_status_Developing   <int> 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, …
## $ Life_expectancy             <dbl> 76.5, 82.8, 65.4, 67.0, 81.7, 78.2, 71.2, …

Setelah dilakukan pengecekan, semua variabel sudah memiliki tipe data yang sesuai.

2.2. Diagnosis aturan kedua

anyNA(data)
## [1] FALSE

Setelah dilakukan pengecekan, tidak ada variabel yang memiliki data hilang/null.

2.3. Inovasi

Karena kolom Economy_status_Developed dan Economy_status_Developing memberikan informasi yang sama, yaitu tentang kondisi ekonomi negara, dapat dilakukan modifikasi pada kolom ini. Economy_status_Developing akan dihapus, lalu Economy_status_Developed akan diubah namanya menjadi Economy_status. Setelah itu, nilai 0 akan diubah menjadi Developing Country dan nilai 1 akan diubah menjadi Developed Country.

data <- data %>%
  rename(`Economy_status` = `Economy_status_Developed`) %>% 
  mutate(`Economy_status` = recode(`Economy_status`, 
                                        `0` = "Developing Country", 
                                          `1` = "Developed Country")) %>% 
  select(-Economy_status_Developing)

glimpse(data)
## Rows: 2,864
## Columns: 21
## $ No                          <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,…
## $ Country                     <chr> "Turkiye", "Spain", "India", "Guyana", "Is…
## $ Region                      <chr> "Middle East", "European Union", "Asia", "…
## $ Year                        <int> 2015, 2015, 2007, 2006, 2012, 2006, 2015, …
## $ Infant_deaths               <dbl> 11.1, 2.7, 51.5, 32.8, 3.4, 9.8, 6.6, 8.7,…
## $ Under_five_deaths           <dbl> 13.0, 3.3, 67.9, 40.5, 4.3, 11.2, 8.2, 10.…
## $ Adult_mortality             <dbl> 105.8240, 57.9025, 201.0765, 222.1965, 57.…
## $ Alcohol_consumption         <dbl> 1.32, 10.35, 1.57, 5.68, 2.89, 4.19, 8.06,…
## $ Hepatitis_B                 <int> 97, 97, 60, 93, 97, 88, 97, 88, 97, 97, 96…
## $ Measles                     <int> 65, 94, 35, 74, 89, 86, 97, 99, 87, 92, 70…
## $ BMI                         <dbl> 27.8, 26.0, 21.2, 25.3, 27.0, 26.4, 26.2, …
## $ Polio                       <int> 97, 97, 67, 92, 94, 89, 97, 99, 97, 96, 96…
## $ Diphtheria                  <int> 97, 97, 64, 93, 94, 89, 97, 99, 99, 90, 95…
## $ Incidents_HIV               <dbl> 0.08, 0.09, 0.13, 0.79, 0.08, 0.16, 0.08, …
## $ GDP_per_capita              <int> 11006, 25742, 1076, 4146, 33995, 9110, 931…
## $ Population_mln              <dbl> 78.53, 46.44, 1183.21, 0.75, 7.91, 4.35, 1…
## $ Thinness_ten_nineteen_years <dbl> 4.9, 0.6, 27.1, 5.7, 1.2, 2.0, 2.3, 2.3, 4…
## $ Thinness_five_nine_years    <dbl> 4.8, 0.5, 28.0, 5.5, 1.1, 1.9, 2.3, 2.3, 3…
## $ Schooling                   <dbl> 7.8, 9.7, 5.0, 7.9, 12.8, 7.9, 12.0, 10.2,…
## $ Economy_status              <chr> "Developing Country", "Developed Country",…
## $ Life_expectancy             <dbl> 76.5, 82.8, 65.4, 67.0, 81.7, 78.2, 71.2, …

2.4. Kesimpulan

Karena aturan pertama dan kedua sudah terpenuhi, maka kita dapat melanjutkan ke bagian analisis data.

3. Analisis Data

Berdasarkan variabel-varibel yang ada pada data, ada beberapa pertanyaan menarik yang bisa untuk di analisis lebih jauh, antara lain:

  1. Bagaimana perkembangan rata-rata life expectancy setiap region pertahunnya?

  2. Bagaimana perkembangan rata-rata GDP per Capita setiap region pertahunnya?

  3. Apakah GDP Percapita memiliki korelasi dengan Life Expectancy?

  4. Apakah konsumsi alkohol berkorelasi dengan kematian dewasa?

  5. Apakah lama bersekolah berkorelasi dengan GDP per Capita?

  6. Apakah status ekonomi negara memiliki memberikan perbedaan lama bersekolah?

  7. Apakah status ekonomi negara memiliki memberikan perbedaan GDP per Capita?

  8. Apakah status ekonomi negara memiliki memberikan perbedaan Life Expectancy?

3.1. Perkembangan rata-rata life expectancy setiap region per tahun

Tidak ada hipotesis awal yang bisa dibuat dengan kasus ini, dapat dilakukan pembuatan plot garis antara tahun dengan rata-rata life expectancy dan region sebagai kategori untuk membantu menjawab pertanyaan ini.

data_Region_Year_meanLifeExp <- data %>% 
  group_by(Region, Year) %>% 
  summarize(meanLifeExp=mean(Life_expectancy))

ggplot(data_Region_Year_meanLifeExp, aes(Year, meanLifeExp, color=Region)) +
  geom_line() +
  labs(
    tag = "Plot 1",
    title = "Life Expectancy by Region",
    subtitle = "2000 to 2015",
    x = "Year",
    y = "Mean Life Expectancy",
    caption = "Source: Data CM",
    color = "Region"
  ) +
  expand_limits(y = 0) +
  scale_x_continuous(limits = c(2000, 2015), expand = c(0, 0)) +
  theme_bw()

Interpretasi:

  • Secara umum, rata-rata harapan hidup di semua wilayah cenderung meningkat dari tahun 2000 hingga 2015.

  • Region European Union dan Oceania tampaknya memiliki rata-rata harapan hidup tertinggi selama periode tersebut dengan nilai mendekati atau lebih dari 80 Tahun.

  • Region Africa memiliki rata-rata harapan hidup yang paling rendah dibandingkan wilayah lain, meskipun ada peningkatan bertahap selama periode tersebut, dimulai dari sekitar 50 Tahun menjadi 60 Tahun di akhir 2015.

  • Hampir semua wilayah menunjukkan peningkatan konsisten dalam harapan hidup selama periode 15 tahun ini.

  • Ada perbedaan yang signifikan antara wilayah dengan harapan hidup tertinggi dan terendah. Misalnya, perbedaan antara European Union dan Africa bisa mencapai lebih dari 20 tahun.

3.2. Perkembangan rata-rata GDP per Capita setiap region per tahun

Sama seperti bagian 3.1, tidak ada hipotesis awal yang bisa dibuat dari kasus ini. Dapat dilakukan plot garis antara tahun dengan rata-rata GDP per capita dan region sebagai kategori untuk membantu menjawab pertanyaan.

data_Region_Year_meanGDPPercapita <- data %>% 
  group_by(Region, Year) %>% 
  summarize(meanGDP=mean(GDP_per_capita))

ggplot(data_Region_Year_meanGDPPercapita, aes(Year, meanGDP, color=Region)) +
  geom_line() +
  labs(
    tag = "Plot 2",
    title = "GDP Percapita by Region",
    subtitle = "2000 to 2015",
    x = "Year",
    y = "Mean GDP Percapita",
    caption = "Source: Data CM",
    color = "Region"
  ) +
  scale_x_continuous(limits = c(2000, 2015), expand = c(0, 0)) +
  expand_limits(y = 0) +
  theme_bw()

Interpretasi:

  • Secara umum, GDP per kapita di berbagai wilayah menunjukkan peningkatan dari tahun 2000 hingga 2015.

  • North America dan European Union memiliki GDP per kapita tertinggi selama periode tersebut.

  • Africa memiliki GDP per kapita yang paling rendah dibandingkan wilayah lain, meskipun ada sedikit peningkatan selama periode tersebut.

  • Ada perbedaan yang signifikan antara wilayah dengan GDP per kapita tertinggi dan terendah. Misalnya, perbedaan antara North America dan Africa bisa mencapai lebih dari 30,000 USD.

3.3. Korelasi GDP per Capita dengan Life Expectancy

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara yang memiliki GDP per Capita tinggi akan memiliki Life Expectancy yang tinggi pula. Dapat dilakukan analisis lebih jauh dengan membuat plot titik antara GDP per Capita dengan Life Expectancy dan Status ekonomi sebagai kategori untuk membuktikan hipotesis ini.

data_2015 <- data %>% 
  filter(Year == 2015)

ggplot(data_2015, aes(GDP_per_capita, Life_expectancy)) +
  geom_point(aes(color = Economy_status)) +
  geom_smooth() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 3",
    title = "GDP Percapita vs Life Expectancy",
    subtitle = "In 2015",
    x = "GDP Percapita",
    y = "Life Expectancy",
    caption = "Source: Data CM",
    color = "Economy Status"
  ) +
  scale_x_continuous(expand = c(0, 0)) +
  theme_bw()

Interpretasi:

  • Secara umum, ada hubungan positif antara GDP per kapita dan harapan hidup. Negara dengan GDP per kapita yang lebih tinggi cenderung memiliki harapan hidup yang lebih tinggi.

  • Developed Country (ditandai dengan warna merah) memiliki harapan hidup yang umumnya lebih tinggi dibandingkan dengan Developing Country (ditandai dengan warna biru).

3.4. Korelasi konsumsi alkohol dengan kematian dewasa

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara yang memiliki konsumsi alkohol tinggi akan memiliki kematian dewasa yang tinggi pula. Dapat dilakukan analisis lebih jauh dengan membuat plot titik antara konsumsi alkohol dengan kematian dewasa untuk membuktikan hipotesis ini.

ggplot(data_2015, aes(Alcohol_consumption, Adult_mortality)) +
  geom_point() +
  geom_smooth() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 4",
    title = "Alcohol Consumption vs Adult Mortality",
    subtitle = "In 2015",
    x = "Alcohol Consumption",
    y = "Adult Mortality",
    caption = "Source: Data CM"
  ) +
  scale_x_continuous(expand = c(0, 0)) +
  theme_bw()

Interpretasi:

  • Tidak terlihat adanya pola antara Konsumsi alkohol dengan Kematian dewasa.

3.5. Korelasi lama bersekolah dengan GDP per Capita

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara yang memiliki lama bersekolah tinggi akan memiliki kematian GDP per capita yang tinggi pula. Dapat dilakukan analisis lebih jauh dengan membuat plot titik antara lama bersekolah dengan GDP per Capita dan Status ekonomi sebagai kategori untuk membuktikan hipotesis ini.

ggplot(data_2015, aes(Schooling, GDP_per_capita)) +
  geom_point(aes(color = Economy_status)) +
  geom_smooth() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 5",
    title = "Schooling vs GDP Per Capita",
    subtitle = "In 2015",
    x = "Schooling",
    y = "GDP Per Capita",
    caption = "Source: Data CM",
    color = "Economy Status"
  ) +
  scale_x_continuous(expand = c(0, 0)) +
  theme_bw()

Interpretasi:

  • Grafik menunjukkan hubungan positif yang kuat antara jumlah tahun pendidikan (schooling) dan GDP per kapita.

  • Developed Country (ditandai dengan warna merah) menunjukkan kecenderungan memiliki lebih banyak tahun pendidikan dan GDP per kapita yang lebih tinggi dibandingkan dengan Developing Country (ditandai dengan warna biru).

3.6. Perbandingan lama berskolah setiap status ekonomi negara

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara dengan status ekonomi maju akan memiliki lama bersekolah yang lebih tinggi dibandingkan dengan negara dengan status ekonomi berkembang. Dapat dilakukan analisis lebih jauh dengan membuat plot box antara status ekonomi dengan lama bersekolah untuk membuktikan hipotesis ini.

ggplot(data_2015, aes(Economy_status, GDP_per_capita)) +
  geom_boxplot() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 6",
    title = "Economy Status vs GDP Per Capita",
    subtitle = "In 2015",
    x = "Economy Status",
    y = "GDP Per Capita",
    caption = "Source: Data CM",
  ) +
  theme_bw()

Interpretasi:

  • Negara maju memiliki median GDP per kapita yang jauh lebih tinggi dibandingkan negara berkembang.

  • Kotak di boxplot untuk negara maju menunjukkan bahwa sebagian besar data GDP per kapita berkisar antara sekitar 25,000 hingga 50,000 USD, dengan median sekitar 40,000 USD.

  • Kotak di boxplot untuk negara berkembang menunjukkan bahwa sebagian besar data GDP per kapita berkisar antara sekitar 0 hingga 10,000 USD, dengan median sekitar 5,000 USD.

3.7. Perbandingan GDP per Capita setiap status ekonomi negara

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara dengan status ekonomi maju akan memiliki GDP per Capita yang lebih tinggi dibandingkan dengan negara dengan status ekonomi berkembang. Dapat dilakukan analisis lebih jauh dengan membuat plot box antara status ekonomi dengan GDP per Capita untuk membuktikan hipotesis ini.

ggplot(data_2015, aes(Economy_status, Schooling)) +
  geom_boxplot() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 7",
    title = "Economy Status vs Schooling",
    subtitle = "In 2015",
    x = "Economy Status",
    y = "Schooling",
    caption = "Source: Data CM",
  ) +
  theme_bw()

Interpretasi:

  • Negara maju memiliki median tahun pendidikan yang lebih tinggi dibandingkan negara berkembang.

  • Kotak di boxplot untuk negara maju menunjukkan bahwa sebagian besar data tahun pendidikan berkisar antara sekitar 10 hingga 12 tahun, dengan median sekitar 11 tahun.

  • Kotak di boxplot untuk negara berkembang menunjukkan bahwa sebagian besar data tahun pendidikan berkisar antara sekitar 5 hingga 10 tahun, dengan median sekitar 8 tahun.

3.8. Perbandingan Life Expectancy setiap status ekonomi negara

Pada pertanyaan ini, dengan pengetahuan umum dapat dibuat hipotesis bahwa negara dengan status ekonomi maju akan memiliki GDP per Capita yang lebih tinggi dibandingkan dengan negara dengan status ekonomi berkembang. Dapat dilakukan analisis lebih jauh dengan membuat plot box antara status ekonomi dengan GDP per Capita untuk membuktikan hipotesis ini.

ggplot(data_2015, aes(Economy_status, Life_expectancy)) +
  geom_boxplot() +
  expand_limits(y = 0, x = 0) +
  labs(
    tag = "Plot 8",
    title = "Economy Status vs Life Expectancy",
    subtitle = "In 2015",
    x = "Economy Status",
    y = "Life Expectancy",
    caption = "Source: Data CM",
  ) +
  theme_bw()

Interpretasi:

  • Negara maju memiliki median harapan hidup yang lebih tinggi dibandingkan negara berkembang.

  • Kotak di boxplot untuk negara maju menunjukkan bahwa sebagian besar data harapan hidup berkisar antara sekitar 75 hingga 85 tahun, dengan median sekitar 80 tahun.

  • Kotak di boxplot untuk negara berkembang menunjukkan bahwa sebagian besar data harapan hidup berkisar antara sekitar 55 hingga 75 tahun, dengan median sekitar 65 tahun.

4. Kesimpulan dan Saran

4.1 Kesimpulan

  1. Peningkatan Harapan Hidup (Plot 1): Rata-rata harapan hidup meningkat di hampir semua wilayah dari tahun 2000 hingga 2015, dengan wilayah European Union dan Oceania memiliki harapan hidup tertinggi, sementara Africa memiliki harapan hidup terendah.

  2. Hubungan GDP Per Capita dan Harapan Hidup (Plot 2 & 3): GDP per kapita menunjukkan peningkatan di sebagian besar wilayah dari tahun 2000 hingga 2015. Ada hubungan positif antara GDP per kapita dan harapan hidup, di mana negara dengan GDP per kapita yang lebih tinggi cenderung memiliki harapan hidup yang lebih tinggi.

  3. Konsumsi Alkohol dan Mortalitas Dewasa (Plot 4): Tidak ada hubungan yang jelas antara konsumsi alkohol dan mortalitas dewasa. Variasi yang besar dalam data menunjukkan bahwa faktor-faktor lain mungkin lebih berpengaruh terhadap mortalitas dewasa.

  4. Pendidikan dan GDP Per Capita (Plot 5): Terdapat hubungan positif yang kuat antara jumlah tahun pendidikan dan GDP per kapita. Negara dengan pendidikan yang lebih tinggi cenderung memiliki GDP per kapita yang lebih tinggi.

  5. Status Ekonomi dan GDP Per Capita (Plot 6): Negara maju memiliki GDP per kapita yang jauh lebih tinggi dibandingkan negara berkembang, mencerminkan kesenjangan ekonomi yang signifikan.

  6. Status Ekonomi dan Pendidikan (Plot 7): Negara maju memiliki akses dan kualitas pendidikan yang lebih baik dibandingkan negara berkembang. Terdapat kesenjangan signifikan dalam jumlah tahun pendidikan antara kedua kelompok negara.

  7. Status Ekonomi dan Harapan Hidup (Plot 8): Negara maju memiliki harapan hidup yang lebih tinggi dan lebih stabil dibandingkan negara berkembang. Perbedaan ini mencerminkan kesenjangan dalam akses dan kualitas layanan kesehatan.

4.2 Saran

  1. Peningkatan Kualitas dan Akses Kesehatan: Upaya peningkatan akses dan kualitas layanan kesehatan di negara berkembang sangat penting untuk meningkatkan harapan hidup dan mengurangi kesenjangan global dalam kesehatan. Program kesehatan preventif dan kuratif harus diperluas.

  2. Investasi dalam Pendidikan: Pendidikan merupakan faktor kunci dalam meningkatkan GDP per kapita dan kualitas hidup. Investasi dalam pendidikan, termasuk peningkatan akses dan kualitas pendidikan di negara berkembang, harus menjadi prioritas.

  3. Pengentasan Kemiskinan dan Pertumbuhan Ekonomi: Kebijakan ekonomi yang mendukung pertumbuhan inklusif harus diterapkan untuk mengurangi kesenjangan ekonomi antara negara maju dan negara berkembang. Ini termasuk dukungan untuk usaha kecil dan menengah, investasi dalam infrastruktur, dan penciptaan lapangan kerja.

  4. Penelitian Lanjutan: Penelitian lebih lanjut diperlukan untuk memahami faktor-faktor kompleks yang mempengaruhi hubungan antara konsumsi alkohol dan mortalitas dewasa. Analisis lebih mendalam tentang variabel-variabel lain yang mempengaruhi mortalitas diperlukan.

  5. Kolaborasi Internasional: Kolaborasi antara negara maju dan negara berkembang dalam berbagi pengetahuan, teknologi, dan sumber daya dapat membantu mempercepat kemajuan dalam bidang kesehatan dan pendidikan di negara berkembang.

  6. Program Kesehatan Masyarakat: Program kesehatan masyarakat yang komprehensif, termasuk vaksinasi, kesehatan ibu dan anak, serta pencegahan penyakit menular dan tidak menular, harus diperkuat di negara berkembang.