# Load library
library(tidyverse)
library(ggplot2)
library(ggcorrplot)

data<- read.csv("C:/Users/ASUS/Documents/PSD/Expanded Data.csv")

# Menampilkan 6 baris pertama dari dataset
head(data)
##   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         5 - 10        69           90           88
## 3            < 5        87           93           91
## 4         5 - 10        45           56           42
## 5         5 - 10        76           78           75
## 6         5 - 10        73           84           79
str(data)
## '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" "5 - 10" "< 5" "5 - 10" ...
##  $ 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 ...

2. Pemeriksaan Outlier pada variabel math, reading dan writing score.

# Boxplot
par(mfrow = c(1,3))
boxplot(data$MathScore, main = "Math Score", col = "lightblue")
boxplot(data$ReadingScore, main = "Reading Score", col = "lightgreen")
boxplot(data$WritingScore, main = "Writing Score", col = "lightyellow")

interpetasi boxplot

Outlier pada boxplot terlihat jelas terutama di ketiga jenis skor: Matematika, Membaca, dan Menulis. Outlier ditunjukkan oleh titik-titik di bawah garis bawah (whisker), yang berarti ada nilai-nilai yang jauh lebih rendah dibanding mayoritas data. Pada skor Matematika, jumlah outlier paling banyak dan nilainya sangat rendah bahkan ada yang hampir nol. Ini menunjukkan ada siswa yang kemampuan matematikanya jauh di bawah rata-rata. Sementara itu, pada skor Membaca dan Menulis juga ada outlier, tapi tidak sebanyak Matematika dan nilainya tidak seekstrem itu. Adanya outlier ini menandakan bahwa kemampuan siswa sangat bervariasi, dan siswa-siswa dengan nilai yang sangat rendah perlu mendapatkan perhatian dan bantuan belajar tambahan.

3. Apa yang dimaksud dengan oulier? jelaskan cara memeriksa dan menanggulanginya?

Outlier adalah data yang nilainya sangat berbeda dari sebagian besar data lainnya dalam suatu kumpulan data. Nilai ini bisa jauh lebih rendah atau jauh lebih tinggi dibandingkan yang lain. Kehadiran outlier bisa memengaruhi hasil analisis, karena bisa membuat rata-rata bergeser atau memberikan gambaran yang kurang akurat tentang pola data secara keseluruhan.

Cara Memeriksa Outlier

Beberapa cara umum untuk mendeteksi outlier:

  1. Menggunakan Boxplot
    • Outlier muncul sebagai titik di luar whisker (batas atas dan bawah)
  2. Z-score (untuk data normal)Z-score (untuk data normal)
    • Hitung z-score: (đť‘Ą- xbar )/𝜎, Jika z-score > 3 atau < -3, maka nilai dianggap outlier.
  3. Visualisasi lain seperti histogram, scatter plot, atau distribusi normal

Cara Menanggulangi Outlier

  1. Validasi Data
    • Periksa apakah outlier berasal dari kesalahan input data (typo, kesalahan alat ukur). Jika ya, bisa diperbaiki atau dihapus.
  2. Pisahkan dan Analisis Terpisah
    • Outlier bisa mencerminkan kasus khusus yang layak dianalisis sendiri, misalnya siswa dengan kebutuhan khusus atau prestasi luar biasa.
  3. Transformasi Data
    • Gunakan transformasi seperti logarithmic, square root, atau Winsorizing untuk mengurangi efek ekstrem.
  4. Gunakan Metode Statistik yang Robust
    • Gunakan median atau IQR daripada rata-rata dan standar deviasi, karena lebih tahan terhadap outlier.
  5. Penghapusan (sebagai opsi terakhir)
    • Hapus outlier hanya jika terbukti tidak relevan atau merusak analisis secara tidak wajar, dan harus dijelaskan dalam pelaporan.

4. Jam belajar per minggu yang paling banyak dilakukan oleh student

# Tabel frekuensi
study_freq <- table(data$WklyStudyHours)
study_df <- as.data.frame(study_freq)
colnames(study_df) <- c("JamBelajar", "Jumlah")

# Pie Chart
ggplot(study_df, aes(x = "", y = Jumlah, fill = JamBelajar)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  labs(title = "Distribusi Jam Belajar per Minggu") +
  theme_void() +
  theme(legend.title = element_blank())

Interpetasi Pie Chart

Pie chart di atas menunjukkan distribusi jam belajar siswa per minggu yang terbagi ke dalam tiga kategori: < 5 jam, 5–10 jam, dan > 10 jam. Mayoritas siswa berada pada kategori 5–10 jam per minggu, ditunjukkan oleh bagian ungu yang paling besar dari lingkaran. Selanjutnya, jumlah siswa yang belajar lebih dari 10 jam (warna hijau) juga cukup signifikan, tetapi lebih sedikit dibandingkan kategori sebelumnya. Sementara itu, proporsi siswa yang belajar kurang dari 5 jam (warna merah muda) adalah yang paling kecil. Ini mengindikasikan bahwa sebagian besar siswa mengalokasikan waktu belajar dalam rentang sedang, yaitu antara 5 hingga 10 jam per minggu.

5. korelasi antar variabel math, reading, and writing score menggunakan corelation heatmap

# Korelasi
score_data <- data %>% select(MathScore, ReadingScore, WritingScore)
cor_matrix <- cor(score_data, use = "complete.obs")

# Heatmap dengan warna kustom
ggcorrplot(cor_matrix, type = "lower", colors = c("lightblue", "white", "orange"))

Interpetasi Heatmap

Berdasarkan hasil visualisasi heatmap korelasi antara variabel MathScore, ReadingScore, dan WritingScore, terlihat bahwa ketiga variabel tersebut memiliki hubungan yang sangat kuat dan positif satu sama lain. Warna oranye terang yang mendominasi heatmap menunjukkan bahwa nilai korelasi antar skor mendekati angka 1, yang menandakan korelasi positif yang tinggi. Hal ini berarti bahwa siswa yang memiliki nilai tinggi dalam matematika cenderung juga memiliki nilai yang tinggi dalam kemampuan membaca (reading) maupun menulis (writing). Korelasi paling kuat tampak antara skor Reading dan Writing, yang cukup wajar mengingat kedua kemampuan ini saling berhubungan secara langsung dalam aspek bahasa. Secara keseluruhan, temuan ini mengindikasikan bahwa peningkatan pada salah satu kemampuan akademik kemungkinan besar akan diikuti oleh peningkatan pada kemampuan lainnya. Korelasi yang kuat ini dapat menjadi dasar untuk pendekatan pembelajaran terpadu yang mengembangkan ketiga aspek secara bersamaan.

6.Periksa perbedaan antara nilai student per PracticeSport. Apakah rata-rata math score pada siswa menunjukkan nilai yang tinggi pada student yang sering berolahraga

# Statistik deskriptif rata-rata MathScore berdasarkan PracticeSport
library(dplyr)

data %>%
  group_by(PracticeSport) %>%
  summarise(
    Mean_Math = mean(MathScore, na.rm = TRUE),
    SD_Math = sd(MathScore, na.rm = TRUE),
    Count = n()
  )
## # A tibble: 4 Ă— 4
##   PracticeSport Mean_Math SD_Math Count
##   <chr>             <dbl>   <dbl> <int>
## 1 ""                 66.6    14.9   631
## 2 "never"            64.2    14.9  4004
## 3 "regularly"        67.8    15.6 10793
## 4 "sometimes"        66.3    15.2 15213

Interpretasi

Berdasarkan hasil analisis deskriptif terhadap rata-rata nilai matematika siswa berdasarkan frekuensi olahraga (PracticeSport), terlihat bahwa siswa yang rutin berolahraga (“regularly”) memiliki nilai rata-rata tertinggi, yaitu 67,8. Sebaliknya, siswa yang tidak pernah berolahraga (“never”) memiliki rata-rata terendah, yaitu 64,2. Siswa yang berolahraga sesekali (“sometimes”) memiliki nilai rata-rata 66,3, sementara mereka yang tidak mengisi data memiliki rata-rata 66,6. Pola ini menunjukkan bahwa semakin sering siswa berolahraga, rata-rata nilai matematikanya cenderung lebih tinggi. Artinya, kebiasaan berolahraga secara teratur mungkin berkaitan positif dengan prestasi akademik, khususnya dalam pelajaran matematika. Namun, untuk mengetahui apakah hubungan ini benar-benar signifikan, perlu dilakukan analisis statistik lanjutan seperti uji ANOVA.