Expanded

Pendahuluan

Pada tugas kali saya akan menganalisis dataset “Expanded_data_with_more_features” yang berisi informasi tentang nilai siswa dalam tiga mata pelajaran (Matematika, Membaca, dan Menulis) beserta berbagai variabel latar belakang seperti jenis kelamin, kelompok etnis, pendidikan orang tua, dan lainnya. Dimana data variablenya sebagai berikut:

Data Dictionary (column description)

Gender: Gender of the student (male/female)
EthnicGroup: Ethnic group of the student (group A to E)
ParentEduc: Parent(s) education background (from some_highschool to master’s degree)
LunchType: School lunch type (standard or free/reduced)
TestPrep: Test preparation course followed (completed or none)
ParentMaritalStatus: Parent(s) marital status (married/single/widowed/divorced)
PracticeSport: How often the student parctice sport (never/sometimes/regularly))
IsFirstChild: If the child is first child in the family or not (yes/no)
NrSiblings: Number of siblings the student has (0 to 7)
TransportMeans: Means of transport to school (schoolbus/private)
WklyStudyHours: Weekly self-study hours(less that 5hrs; between 5 and 10hrs; more than 10hrs)
MathScore: math test score(0-100)
ReadingScore: reading test score(0-100)
WritingScore: writing test score(0-100)

Import Data

# Import data dengan path yang sesuai
Expanded_data_with_more_features <- read.csv("C:/Users/Pongo/Downloads/Expanded_data_with_more_features.csv", sep=";")
   
# Menampilkan struktur data
str(Expanded_data_with_more_features)

## 'data.frame':    30641 obs. of  15 variables:
##  $ X                  : int  0 1 2 3 4 5 6 7 8 9 ...
##  $ Gender             : chr  "female" "female" "female" "male" ...
##  $ EthnicGroup        : chr  "" "group C" "group B" "group A" ...
##  $ ParentEduc         : chr  "bachelor's degree" "some college" "master's degree" "associate's degree" ...
##  $ LunchType          : chr  "standard" "standard" "standard" "free/reduced" ...
##  $ TestPrep           : chr  "none" "" "none" "none" ...
##  $ ParentMaritalStatus: chr  "married" "married" "single" "married" ...
##  $ PracticeSport      : chr  "regularly" "sometimes" "sometimes" "never" ...
##  $ IsFirstChild       : chr  "yes" "yes" "yes" "no" ...
##  $ NrSiblings         : int  3 0 4 1 0 1 1 1 3 NA ...
##  $ TransportMeans     : chr  "school_bus" "" "school_bus" "" ...
##  $ WklyStudyHours     : chr  "< 5" "05-Oct" "< 5" "05-Oct" ...
##  $ MathScore          : int  71 69 87 45 76 73 85 41 65 37 ...
##  $ ReadingScore       : int  71 90 93 56 78 84 93 43 64 59 ...
##  $ WritingScore       : int  74 88 91 42 75 79 89 39 68 50 ...

# Menampilkan 6 baris pertama data
head(Expanded_data_with_more_features)

##   X Gender EthnicGroup         ParentEduc    LunchType TestPrep
## 1 0 female              bachelor's degree     standard     none
## 2 1 female     group C       some college     standard         
## 3 2 female     group B    master's degree     standard     none
## 4 3   male     group A associate's degree free/reduced     none
## 5 4   male     group C       some college     standard     none
## 6 5 female     group B associate's degree     standard     none
##   ParentMaritalStatus PracticeSport IsFirstChild NrSiblings TransportMeans
## 1             married     regularly          yes          3     school_bus
## 2             married     sometimes          yes          0               
## 3              single     sometimes          yes          4     school_bus
## 4             married         never           no          1               
## 5             married     sometimes          yes          0     school_bus
## 6             married     regularly          yes          1     school_bus
##   WklyStudyHours MathScore ReadingScore WritingScore
## 1            < 5        71           71           74
## 2         05-Oct        69           90           88
## 3            < 5        87           93           91
## 4         05-Oct        45           56           42
## 5         05-Oct        76           78           75
## 6         05-Oct        73           84           79

Pertanyaan

Periksa distribusi dari variabel math, reading dan writing score, cek apakah ada outlier
Apa yang dimaksud dengan oulier? jelaskan cara memeriksa dan menanggulanginya?
Jam belajar manakah per minggu yang paling banyak dilakukan oleh student
Periksa perbedaan nilai student (math, writing, reading) per ethnic
cek korelasi antar variabel math, reading, and writing score menggunakan corelation heatmap
Periksa perbedaan antara nilai student per PracticeSport. Apakah rata-rata math score pada siswa menunjukkan nilai yang tinggi pada student yang sering berolahraga

Jawaban

1. Distribusi nilai dan pemeriksaan otlier

# Ringkasan statistik untuk nilai Matematika, Membaca, dan Menulis
summary(Expanded_data_with_more_features[c("MathScore", "ReadingScore", "WritingScore")])

##    MathScore       ReadingScore     WritingScore   
##  Min.   :  0.00   Min.   : 10.00   Min.   :  4.00  
##  1st Qu.: 56.00   1st Qu.: 59.00   1st Qu.: 58.00  
##  Median : 67.00   Median : 70.00   Median : 69.00  
##  Mean   : 66.56   Mean   : 69.38   Mean   : 68.42  
##  3rd Qu.: 78.00   3rd Qu.: 80.00   3rd Qu.: 79.00  
##  Max.   :100.00   Max.   :100.00   Max.   :100.00

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.3

library(gridExtra)

## Warning: package 'gridExtra' was built under R version 4.4.3

# Histogram untuk MathScore
p1 <- ggplot(Expanded_data_with_more_features, aes(x = MathScore)) + 
  geom_histogram(binwidth = 5, fill = "blue", color = "black") +
  ggtitle("Distribusi Nilai Matematika") +
  theme_minimal()

# Histogram untuk ReadingScore
p2 <- ggplot(Expanded_data_with_more_features, aes(x = ReadingScore)) + 
  geom_histogram(binwidth = 5, fill = "green", color = "black") +
  ggtitle("Distribusi Nilai Membaca") +
  theme_minimal()

# Histogram untuk WritingScore
p3 <- ggplot(Expanded_data_with_more_features, aes(x = WritingScore)) + 
  geom_histogram(binwidth = 5, fill = "red", color = "black") +
  ggtitle("Distribusi Nilai Menulis") +
  theme_minimal()

# Menampilkan ketiga plot bersama
grid.arrange(p1, p2, p3, ncol = 1)

boxplot(Expanded_data_with_more_features[c("MathScore", "ReadingScore", "WritingScore")], 
        main = "Boxplot Nilai Siswa",
        col = c("blue", "green", "red"),
        names = c("Matematika", "Membaca", "Menulis"))

Interpretasi

Distribusi nilai untuk ketiga mata pelajaran menunjukkan variasi yang cukup luas.
Terdapat beberapa outlier terutama di nilai rendah (terlihat dari boxplot).
Nilai rata-rata untuk Matematika cenderung lebih rendah dibandingkan Membaca dan Menulis.

2. Outlier adalah titik data yang secara signifikan berbeda dari observasi lainnya. Dalam konteks ini, beberapa siswa memiliki nilai yang sangat rendah (mendekati 0) atau sangat tinggi (100).

Cara memeriksa outlier:

Visual menggunakan boxplot
Menghitung IQR (Interquartile Range) dan menentukan batas bawah/atas
Menggunakan metode statistik seperti z-score

Cara menangani outlier:

Investigasi apakah outlier merupakan kesalahan input data
Jika valid, pertimbangkan untuk mempertahankannya karena mewakili variasi alami
Untuk analisis tertentu, bisa dihapus atau diubah (winsorizing)

3. Jam Belajar yang paling banyak digunakan

# Menghitung frekuensi jam belajar per minggu
study_hours <- table(Expanded_data_with_more_features$WklyStudyHours)
study_hours

## 
##           < 5   > 10 05-Oct 
##    955   8238   5202  16246

# Visualisasi
ggplot(Expanded_data_with_more_features, aes(x = WklyStudyHours)) +
  geom_bar(fill = "purple") +
  ggtitle("Distribusi Jam Belajar per Minggu") +
  xlab("Kategori Jam Belajar") +
  ylab("Jumlah Siswa") +
  theme_minimal()

Interpretasi:

Kategori jam belajar “5 - 10” jam per minggu adalah yang paling banyak dipilih oleh siswa.
Siswa yang belajar kurang dari 5 jam lebih banyak daripada yang belajar lebih dari 10 jam.

4. Perbedaan nilai per etnis

# Menghitung rata-rata nilai per kelompok etnis
library(dplyr)

## Warning: package 'dplyr' was built under R version 4.4.3

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:gridExtra':
## 
##     combine

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

ethnic_scores <- Expanded_data_with_more_features %>%
  group_by(EthnicGroup) %>%
  summarise(
    Avg_Math = mean(MathScore, na.rm = TRUE),
    Avg_Reading = mean(ReadingScore, na.rm = TRUE),
    Avg_Writing = mean(WritingScore, na.rm = TRUE)
  )

ethnic_scores

## # A tibble: 6 × 4
##   EthnicGroup Avg_Math Avg_Reading Avg_Writing
##   <chr>          <dbl>       <dbl>       <dbl>
## 1 ""              66.2        68.9        67.9
## 2 "group A"       63.0        66.8        65.3
## 3 "group B"       63.5        67.3        65.9
## 4 "group C"       64.7        68.4        67.0
## 5 "group D"       67.7        70.4        70.9
## 6 "group E"       75.3        74.3        72.7

# Visualisasi
ggplot(ethnic_scores, aes(x = EthnicGroup, y = Avg_Math, fill = EthnicGroup)) +
  geom_bar(stat = "identity") +
  ggtitle("Rata-rata Nilai Matematika per Kelompok Etnis") +
  theme_minimal()

ggplot(ethnic_scores, aes(x = EthnicGroup, y = Avg_Reading, fill = EthnicGroup)) +
  geom_bar(stat = "identity") +
  ggtitle("Rata-rata Nilai Membaca per Kelompok Etnis") +
  theme_minimal()

ggplot(ethnic_scores, aes(x = EthnicGroup, y = Avg_Writing, fill = EthnicGroup)) +
  geom_bar(stat = "identity") +
  ggtitle("Rata-rata Nilai Menulis per Kelompok Etnis") +
  theme_minimal()

library(dplyr)
library(ggplot2)

# Hitung rata-rata nilai
ethnic_scores <- Expanded_data_with_more_features %>% 
  group_by(EthnicGroup) %>% 
  summarise(
    Avg_Math = mean(MathScore, na.rm = TRUE),
    Avg_Reading = mean(ReadingScore, na.rm = TRUE)
  )

# Buat plot
ggplot(ethnic_scores, aes(x = EthnicGroup)) +
  geom_bar(aes(y = Avg_Math, fill = "Math"), stat = "identity", position = "dodge") +
  geom_bar(aes(y = Avg_Reading, fill = "Reading"), stat = "identity", position = "dodge") +
  labs(title = "Rata-rata Nilai per Kelompok Etnis",
       y = "Rata-rata Nilai",
       x = "Kelompok Etnis") +
  scale_fill_manual(values = c("Math" = "blue", "Reading" = "red")) +
  theme_minimal()

Interpretasi:

Kelompok etnis E cenderung memiliki nilai rata-rata tertinggi untuk ketiga mata pelajaran.
Kelompok etnis A cenderung memiliki nilai rata-rata terendah.
Pola perbedaan antar kelompok etnis konsisten di ketiga mata pelajaran.

5. Korelasi antar nilai

# Menghitung matriks korelasi
cor_matrix <- cor(Expanded_data_with_more_features[c("MathScore", "ReadingScore", "WritingScore")], 
                  use = "complete.obs")

# Visualisasi heatmap
library(reshape2)

## Warning: package 'reshape2' was built under R version 4.4.3

melted_cor <- melt(cor_matrix)

ggplot(melted_cor, aes(Var1, Var2, fill = value)) +
  geom_tile() +
  scale_fill_gradient2(low = "blue", high = "red", mid = "white", 
                       midpoint = 0, limit = c(-1,1)) +
  geom_text(aes(label = round(value, 2)), color = "black", size = 4) +
  theme_minimal() +
  ggtitle("Heatmap Korelasi Nilai Siswa")

Interpretasi:

Terdapat korelasi positif yang kuat antara ketiga nilai:
Matematika dan Membaca: r round(cor_matrix[1,2], 2)
Matematika dan Menulis: r round(cor_matrix[1,3], 2)
Membaca dan Menulis: r round(cor_matrix[2,3], 2)
Korelasi tertinggi adalah antara Membaca dan Menulis.

6. Pengaruh frekuensi olahraga terhadap nilai

# Menghitung rata-rata nilai berdasarkan frekuensi olahraga
sport_scores <- Expanded_data_with_more_features %>%
  group_by(PracticeSport) %>%
  summarise(
    Avg_Math = mean(MathScore, na.rm = TRUE),
    Avg_Reading = mean(ReadingScore, na.rm = TRUE),
    Avg_Writing = mean(WritingScore, na.rm = TRUE)
  )

sport_scores

## # A tibble: 4 × 4
##   PracticeSport Avg_Math Avg_Reading Avg_Writing
##   <chr>            <dbl>       <dbl>       <dbl>
## 1 ""                66.6        69.6        68.5
## 2 "never"           64.2        68.3        66.5
## 3 "regularly"       67.8        69.9        69.6
## 4 "sometimes"       66.3        69.2        68.1

# Visualisasi
ggplot(sport_scores, aes(x = PracticeSport, y = Avg_Math, fill = PracticeSport)) +
  geom_bar(stat = "identity") +
  ggtitle("Rata-rata Nilai Matematika berdasarkan Frekuensi Olahraga") +
  theme_minimal()

# Uji ANOVA untuk melihat perbedaan signifikan
aov_result <- aov(MathScore ~ PracticeSport, data = Expanded_data_with_more_features)
summary(aov_result)

##                  Df  Sum Sq Mean Sq F value Pr(>F)    
## PracticeSport     3   41751   13917   59.31 <2e-16 ***
## Residuals     30637 7188652     235                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Interpretasi:

Siswa yang berolahraga “regularly” memiliki nilai rata-rata tertinggi di ketiga mata pelajaran.
Siswa yang “never” berolahraga memiliki nilai rata-rata terendah.
Hasil ANOVA menunjukkan perbedaan yang signifikan dalam nilai matematika berdasarkan frekuensi olahraga.

Kesimpulan

Terdapat perbedaan performa akademik yang signifikan antar kelompok etnis.
Jam belajar paling umum adalah 5-10 jam per minggu.
Korelasi tertinggi terdapat antara nilai Membaca dan Menulis.
Frekuensi olahraga berhubungan positif dengan performa akademik.
Beberapa outlier terdeteksi, terutama di nilai rendah.

Saran

Program khusus untuk kelompok etnis dengan performa rendah.
Promosi pentingnya olahraga teratur untuk prestasi akademik.
Fokus tambahan pada peningkatan nilai matematika.

Expanded_data

Lisda Aryanti

2025-04-06

Pendahuluan

Import Data

Pertanyaan

Jawaban

1. Distribusi nilai dan pemeriksaan otlier

2. Outlier adalah titik data yang secara signifikan berbeda dari observasi lainnya. Dalam konteks ini, beberapa siswa memiliki nilai yang sangat rendah (mendekati 0) atau sangat tinggi (100).

3. Jam Belajar yang paling banyak digunakan

4. Perbedaan nilai per etnis

5. Korelasi antar nilai

6. Pengaruh frekuensi olahraga terhadap nilai

Kesimpulan

Saran