Latar Belakang

Diabetes mellitus adalah penyakit kronis yang jumlah penderitanya terus meningkat di seluruh dunia, sehingga menjadi salah satu masalah kesehatan yang perlu perhatian serius. Penyakit ini, khususnya diabetes tipe 2, erat kaitannya dengan beberapa faktor risiko seperti obesitas, tekanan darah tinggi, kadar kolesterol yang tidak normal, dan riwayat keluarga. Mengingat gaya hidup modern yang turut mempercepat peningkatan kasus diabetes, sangat penting untuk memahami faktor-faktor ini agar penyebab utama diabetes dapat diidentifikasi dan dicegah secara efektif.

Pendekatan analisis faktor membantu merangkum berbagai variabel risiko menjadi komponen utama yang lebih mudah dipahami. Dengan metode ini, penelitian dapat menemukan faktor-faktor kunci yang paling berperan dalam meningkatkan risiko diabetes, sehingga dapat memberikan panduan yang lebih jelas bagi tenaga kesehatan dan pembuat kebijakan dalam merancang program pencegahan yang tepat sasaran. Hasil dari analisis ini diharapkan mampu menurunkan angka kejadian diabetes dan membantu meningkatkan kualitas hidup masyarakat yang lebih luas.

Tujuan

Tujuan dari penelitian ini adalah:

1. Mengurangi jumlah variabel menjadi komponen utama untuk mempermudah interpretasi risiko diabetes.

2. Mengungkap kelompok variabel terkait dan faktor signifikan yang mempengaruhi risiko diabetes.

3. Menjelaskan interaksi antara faktor seperti BMI, gula darah, tekanan darah, aktivitas fisik, dan kolesterol.

4. Memberikan informasi untuk membantu tenaga kesehatan dan pembuat kebijakan dalam merancang strategi pencegahan diabetes yang efektif.

Tinjauan Pustaka

Data

> data <- diabetes_data[, c("Age", "BMI", "FastingBloodSugar", "HbA1c", "PhysicalActivity", "CholesterolLDL", "Diagnosis")]
Error: object 'diabetes_data' not found
> 
> head(data)
                                                                            
1 function (..., list = character(), package = NULL, lib.loc = NULL,        
2     verbose = getOption("verbose"), envir = .GlobalEnv, overwrite = TRUE) 
3 {                                                                         
4     fileExt <- function(x) {                                              
5         db <- grepl("\\\\.[^.]+\\\\.(gz|bz2|xz)$", x)                     
6         ans <- sub(".*\\\\.", "", x)                                      

Library

library(knitr) library(rmarkdown) library(prettydoc) library(corrplot) library(REdaS) #KMO dan Bartlett`s Test library(psych) #Analisis faktor

Input Data

Menginput data dengan Import pada kolom Environment pada R

> data <- diabetes_data[, c("Age", "BMI", "FastingBloodSugar", "HbA1c", "PhysicalActivity", "CholesterolLDL", "Diagnosis")]

> summary(data)
> 
> r = cor(data) 
> corrplot(r, method= "number", type = "lower")

> KMOS(data)
> 

> data1 <- diabetes_data[, c("Age", "CholesterolLDL", "Diagnosis")]
> 
> data1 <- data.frame(scale(data1[,1:3]))
> 
> head(data1)

> bartlett.test(data1)

> data1_cor <- cor(data1) 
> data1_cor

> eig_values <- eigen(data1_cor)
> eig_values

> summary(PCA_data)
> 
> screeplot <- plot(eig_values$values, type = 'o', xlab = 'Komponen Utama ke-', ylab = 'Varians (Nilai Eigen)', main = 'Scree Plot', pch = 16, col = 'pink', lwd = 1)

> PCA_data <- diabetes_data[, c("Age", "CholesterolLDL", "Diagnosis")]
> 
> pr.out <- prcomp(x = PCA_data,center = TRUE, scale. = TRUE) 
> pr.out
> 
> summary(pr.out)

Eksplorasi dan Visualisasi Data

Error in object[[i]]: object of type 'closure' is not subsettable

Pada output ditampilkan nilai terkecil hingga terbesar, nilai median, rata-rata, kuartil 1, dan kuartil 3.

Error in cor(data): supply both 'x' and 'y' or a matrix-like 'x'
Error in corrplot(r, method = "number", type = "lower"): could not find function "corrplot"

Antar variabel satu sama lain tidak berkorelasi.

Uji KMO

Error in KMOS(data): could not find function "KMOS"

Hasil Statistik KMO~Criterion sebesar 0.42 < 0.5 maka analisis faktor tidak dapat dilanjut atau dapat mengurangi variabel.

Data tanpa variabel dengan MSA <0.5

Error: object 'diabetes_data' not found
Error: object 'data1' not found
Error: object 'data1' not found

Mengambil 3 variabel yang memiliki nilai MSA > 0.5 yaitu Age, CholesterolLDL, dan Diagnosis untuk analisis lanjut

Uji Bartlett

Error: object 'data1' not found

Hipotesis : \[ H_0: R = I \quad \text{(Tidak terdapat korelasi yang signifikan antar variabel)} \] \[ H_1: R \neq I \quad \text{(Terdapat korelasi yang signifikan antar variabel)} \]

Keputusan

Berdasarkan output di atas, nilai-\(p < \alpha\) (0.01), maka tolak \(H_0\).

Kesimpulan

Dengan taraf nyata 1%, maka disimpulkan terdapat korelasi yang signifikan antar variabel, sehingga dapat dilanjutkan dengan analisis faktor.

Scree Plot

Error: object 'data1' not found
Error: object 'data1_cor' not found

Error: object 'data1_cor' not found
Error: object 'eig_values' not found

Error: object 'PCA_data' not found
Error: object 'eig_values' not found

PCA

Error: object 'diabetes_data' not found
Error: object 'PCA_data' not found
Error: object 'pr.out' not found
Error: object 'pr.out' not found

Hasil analisis PCA menunjukkan bahwa ketiga komponen utama (PC1, PC2, dan PC3) bersama-sama menjelaskan 100% variansi dalam data, dengan masing-masing komponen menjelaskan sekitar 33% variansi. PC1 memiliki kontribusi terbesar dari variabel Age dan Diagnosis, PC2 terutama dipengaruhi oleh CholesterolLDL, sementara PC3 juga melibatkan Age dan Diagnosis dalam arah yang berbeda dari PC1. Maka, ketiga komponen ini efektif dalam merangkum variasi dari variabel asli.

Kesimpulan

• Terdapat 4 variabel dengan nilai MSA < 0.5 yaitu PhysicalActivity, BMI, FastingBloodSugar, HbAc1. 3 variabel yang digunakan yaitu Age, CholesterolLDL, dan Diagnosis

• Hasil ini menunjukkan bahwa faktor usia, kadar kolesterol LDL, dan kondisi diabetes memiliki hubungan yang signifikan dan dapat dijadikan sebagai indikator utama dalam memahami risiko diabetes.

Saran

Fokus pada pemantauan faktor-faktor utama seperti usia, kadar kolesterol LDL, dan hasil diagnosis diabetes sangat penting dalam program pencegahan dan pengendalian diabetes. Pemeriksaan kolesterol secara rutin, menjaga berat badan ideal, serta meningkatkan aktivitas fisik, terutama bagi kelompok usia yang lebih rentan, dapat membantu mengurangi risiko diabetes.

Daftar Pustaka

Mangkunegoro, S. (2023, November 10). Penerapan Analisis Faktor pada Data Indikator Kualitas Tidur dan Gaya Hidup. Retrieved from rpubs: https://rpubs.com/satrio0126/1111592

Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer

Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Pearson Prentice Hall.