NOMOR 1

a. Lakukan pengecekan apakah terdapat:

✓ Nilai yang hilang (missing values) ✓ Data yang tercatat ganda (duplicate records) ✓ Nilai ekstrim (outlier) pada variabel numerik

pengecekan

# Import library
library(readxl)

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

library(dplyr)

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

## 
## Attaching package: 'dplyr'

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

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

library(tidyr)

## Warning: package 'tidyr' was built under R version 4.4.2

library(ggplot2)

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

#Import data dari Excel
data <- read_excel("C:/Users/MyBook Hype/Downloads/heart.xlsx")

#1. mengeCek nilai yang hilang (missing values)
missing_summary <- colSums(is.na(data))
print("Jumlah Missing Values per Kolom")

## [1] "Jumlah Missing Values per Kolom"

print(missing_summary)

##      age      sex       cp trestbps     chol      fbs  restecg  thalach 
##        0        0        0        0        0        0        0        0 
##    exang  oldpeak    slope       ca     thal   target 
##        0        0        0        0        0        0

if (sum(missing_summary) == 0) {
  print("✅ Tidak ada missing values.")
} else {
  print("⚠️ Ada missing values!")
}

## [1] "✅ Tidak ada missing values."

# 2.mengeCek data yang tercatat ganda (duplicate records)
duplicate_rows <- data[duplicated(data), ]
num_duplicates <- nrow(duplicate_rows)

print("Pengecekan Data Duplikat")

## [1] "Pengecekan Data Duplikat"

cat("Jumlah baris duplikat:", num_duplicates, "\n")

## Jumlah baris duplikat: 1

if (num_duplicates == 0) {
  print("✅ Tidak ada data yang duplikat.")
} else {
  print("⚠️ Terdapat data duplikat. Berikut contoh baris duplikat:")
  print(head(duplicate_rows))
}

## [1] "⚠️ Terdapat data duplikat. Berikut contoh baris duplikat:"
## # A tibble: 1 × 14
##     age   sex    cp trestbps  chol   fbs restecg thalach exang oldpeak slope
##   <dbl> <dbl> <dbl>    <dbl> <dbl> <dbl>   <dbl>   <dbl> <dbl>   <dbl> <dbl>
## 1    38     1     2      138   175     0       1     173     0       0     2
## # ℹ 3 more variables: ca <dbl>, thal <dbl>, target <dbl>

# 3. mengeCek nilai ekstrim (outlier) pada variabel numerik
numeric_vars <- select(data, where(is.numeric))

# Menggunakan metode IQR (Interquartile Range)
outlier_check <- function(x) {
  Q1 <- quantile(x, 0.25, na.rm = TRUE)
  Q3 <- quantile(x, 0.75, na.rm = TRUE)
  IQR <- Q3 - Q1
  lower <- Q1 - 1.5 * IQR
  upper <- Q3 + 1.5 * IQR
  sum(x < lower | x > upper, na.rm = TRUE)
}

outliers_summary <- sapply(numeric_vars, outlier_check)
print("=== Jumlah Outlier per Variabel Numerik ===")

## [1] "=== Jumlah Outlier per Variabel Numerik ==="

print(outliers_summary)

##      age      sex       cp trestbps     chol      fbs  restecg  thalach 
##        0        0        0        9        5       45        0        1 
##    exang  oldpeak    slope       ca     thal   target 
##        0        5        0       25        2        0

interpretasi : Hasil pemeriksaan outlier pada data menunjukkan bahwa beberapa variabel numerik memiliki nilai-nilai yang menyimpang dari distribusi umum (outlier). Variabel fbs (fasting blood sugar) memiliki jumlah outlier tertinggi, yaitu sebanyak 45 nilai. Hal ini kemungkinan disebabkan karena variabel ini merupakan variabel biner (0 atau 1), tetapi terdapat nilai-nilai yang tidak sesuai atau distribusinya sangat tidak merata.

Selain itu, variabel ca (jumlah pembuluh darah utama yang terlihat melalui fluoroskopi) juga menunjukkan jumlah outlier yang cukup tinggi, yaitu sebanyak 25 nilai. Hal ini bisa jadi mengindikasikan adanya kesalahan input data atau distribusi nilai yang tidak seimbang.

Variabel lainnya yang menunjukkan adanya outlier adalah: - trestbps (tekanan darah saat istirahat) sebanyak 9 outlier, - chol (kolesterol) sebanyak 5 outlier, - oldpeak (depresi segmen ST) sebanyak 5 outlier, - thalach (detak jantung maksimum) sebanyak 1 outlier, dan - thal sebanyak 2 outlier.

Sementara itu, variabel seperti age, sex, cp, restecg, exang, slope, dan target tidak memiliki outlier sama sekali. Beberapa dari variabel ini, seperti sex, cp, dan exang, memang merupakan variabel kategorik yang biasanya tidak relevan untuk diuji outlier-nya secara statistik.

penanganan

# Fungsi untuk menghapus outlier berdasarkan IQR
remove_outliers <- function(df) {
  df_clean <- df
  for (col in names(df)) {
    if (is.numeric(df[[col]])) {
      Q1 <- quantile(df[[col]], 0.25, na.rm = TRUE)
      Q3 <- quantile(df[[col]], 0.75, na.rm = TRUE)
      IQR <- Q3 - Q1
      lower <- Q1 - 1.5 * IQR
      upper <- Q3 + 1.5 * IQR
      df_clean <- df_clean[df_clean[[col]] >= lower & df_clean[[col]] <= upper | is.na(df_clean[[col]]), ]
    }
  }
  return(df_clean)
}

# Terapkan fungsi ke data numerik
data_no_outliers <- remove_outliers(data)

# Cek kembali jumlah outlier
numeric_vars_clean <- select(data_no_outliers, where(is.numeric))
outliers_summary_after <- sapply(numeric_vars_clean, outlier_check)
print("Jumlah outlier setelah dibersihkan:")

## [1] "Jumlah outlier setelah dibersihkan:"

print(outliers_summary_after)

##      age      sex       cp trestbps     chol      fbs  restecg  thalach 
##        0        0        0        0        1        0        0        1 
##    exang  oldpeak    slope       ca     thal   target 
##        0        0        0        0        0        0

interpretasi : Hampir semua variabel sudah tidak memiliki outlier lagi setelah dibersihkan. Namun, masih tersisa 1 outlier pada variabel: - chol (kolesterol) - thalach (detak jantung maksimum)

analisis statistika deskriptif

# Statistika Deskriptif untuk seluruh dataset (setelah dibersihkan)
desc_stats <- data_no_outliers %>%
  summarise(across(where(is.numeric), 
                   list(
                     mean = ~mean(. , na.rm = TRUE),
                     median = ~median(. , na.rm = TRUE),
                     sd = ~sd(. , na.rm = TRUE),
                     min = ~min(. , na.rm = TRUE),
                     max = ~max(. , na.rm = TRUE),
                     q1 = ~quantile(., 0.25, na.rm = TRUE),
                     q3 = ~quantile(., 0.75, na.rm = TRUE),
                     iqr = ~(quantile(., 0.75, na.rm = TRUE) - quantile(., 0.25, na.rm = TRUE))
                   ), 
                   .names = "{col}_{fn}"))

print("=== Statistika Deskriptif setelah Menghapus Outlier ===")

## [1] "=== Statistika Deskriptif setelah Menghapus Outlier ==="

print(desc_stats)

## # A tibble: 1 × 112
##   age_mean age_median age_sd age_min age_max age_q1 age_q3 age_iqr sex_mean
##      <dbl>      <dbl>  <dbl>   <dbl>   <dbl>  <dbl>  <dbl>   <dbl>    <dbl>
## 1     53.3         54   9.23      29      76     45     60      15    0.675
## # ℹ 103 more variables: sex_median <dbl>, sex_sd <dbl>, sex_min <dbl>,
## #   sex_max <dbl>, sex_q1 <dbl>, sex_q3 <dbl>, sex_iqr <dbl>, cp_mean <dbl>,
## #   cp_median <dbl>, cp_sd <dbl>, cp_min <dbl>, cp_max <dbl>, cp_q1 <dbl>,
## #   cp_q3 <dbl>, cp_iqr <dbl>, trestbps_mean <dbl>, trestbps_median <dbl>,
## #   trestbps_sd <dbl>, trestbps_min <dbl>, trestbps_max <dbl>,
## #   trestbps_q1 <dbl>, trestbps_q3 <dbl>, trestbps_iqr <dbl>, chol_mean <dbl>,
## #   chol_median <dbl>, chol_sd <dbl>, chol_min <dbl>, chol_max <dbl>, …

# Statistika Deskriptif untuk masing-masing variabel numerik (setelah dibersihkan)
numeric_vars_clean <- select(data_no_outliers, where(is.numeric))
numeric_summary <- summary(numeric_vars_clean)
print("=== Statistik Deskriptif per Variabel ===")

## [1] "=== Statistik Deskriptif per Variabel ==="

print(numeric_summary)

##       age             sex               cp           trestbps    
##  Min.   :29.00   Min.   :0.0000   Min.   :0.000   Min.   : 94.0  
##  1st Qu.:45.00   1st Qu.:0.0000   1st Qu.:0.000   1st Qu.:120.0  
##  Median :54.00   Median :1.0000   Median :1.000   Median :130.0  
##  Mean   :53.33   Mean   :0.6754   Mean   :0.943   Mean   :128.7  
##  3rd Qu.:60.00   3rd Qu.:1.0000   3rd Qu.:2.000   3rd Qu.:140.0  
##  Max.   :76.00   Max.   :1.0000   Max.   :3.000   Max.   :170.0  
##       chol            fbs       restecg          thalach          exang       
##  Min.   :131.0   Min.   :0   Min.   :0.0000   Min.   : 88.0   Min.   :0.0000  
##  1st Qu.:209.8   1st Qu.:0   1st Qu.:0.0000   1st Qu.:137.5   1st Qu.:0.0000  
##  Median :239.0   Median :0   Median :1.0000   Median :155.0   Median :0.0000  
##  Mean   :242.4   Mean   :0   Mean   :0.5482   Mean   :151.1   Mean   :0.3158  
##  3rd Qu.:269.2   3rd Qu.:0   3rd Qu.:1.0000   3rd Qu.:168.2   3rd Qu.:1.0000  
##  Max.   :360.0   Max.   :0   Max.   :2.0000   Max.   :202.0   Max.   :1.0000  
##     oldpeak           slope             ca              thal      
##  Min.   :0.0000   Min.   :0.000   Min.   :0.0000   Min.   :1.000  
##  1st Qu.:0.0000   1st Qu.:1.000   1st Qu.:0.0000   1st Qu.:2.000  
##  Median :0.6000   Median :1.500   Median :0.0000   Median :2.000  
##  Mean   :0.9461   Mean   :1.452   Mean   :0.4781   Mean   :2.316  
##  3rd Qu.:1.6000   3rd Qu.:2.000   3rd Qu.:1.0000   3rd Qu.:3.000  
##  Max.   :4.0000   Max.   :2.000   Max.   :2.0000   Max.   :3.000  
##      target      
##  Min.   :0.0000  
##  1st Qu.:0.0000  
##  Median :1.0000  
##  Mean   :0.5789  
##  3rd Qu.:1.0000  
##  Max.   :1.0000

interpretasi : 1. Umur (age) - Rata-rata: 53,33 tahun, rentang dari 29 hingga 76 tahun - Mayoritas peserta berusia 45–60 tahun (lihat kuartil 1 dan 3) 2. Jenis Kelamin (sex) - Nilai 0 = perempuan, 1 = laki-laki - Rata-rata: 0,6754 → sekitar 67,5% adalah laki-laki 3. Chest Pain Type (cp) - Skala 0–3 (semakin tinggi, semakin tidak khas nyeri dada angina) - Median = 1, rata-rata = 0,943 → kebanyakan mengalami tipe nyeri dada yang khas angina 4. Tekanan Darah Istirahat (trestbps) - Rata-rata: 128,7 mmHg, dengan median 130 mmHg - Dalam kisaran normal-tinggi 5. Kolesterol (chol) - Rata-rata: 242,4 mg/dL - Umumnya di atas batas normal (<200 mg/dL) → indikasi risiko penyakit jantung 6. Gula Darah (fbs) - Nilai 0 = normal, 1 = tinggi - Semua bernilai 0 → tidak ada yang mengalami gula darah puasa tinggi (>120 mg/dL) 7. EKG Saat Istirahat (restecg) - Nilai dominan = 0 atau 1, median = 1 - Umumnya tidak menunjukkan kelainan besar 8. Detak Jantung Maksimum (thalach) - Rata-rata: 151,1 bpm, median 155 bpm - Detak jantung relatif tinggi saat uji stres 9. Angina yang Diinduksi Latihan (exang) Rata-rata: 0,316 → mayoritas tidak mengalami angina saat latihan 10. oldpeak (depresi ST setelah latihan) - Rata-rata: 0,946 - Nilai rendah → sebagian besar pasien tidak mengalami perubahan signifikan pada EKG setelah latihan 11. Kemiringan Segmen ST (slope) - Median: 1,5, mayoritas pada kategori 1–2 - Slope naik/turun mencerminkan fungsi jantung saat stres 12. Jumlah Pembuluh Darah Tersumbat (ca) - Median: 0, rata-rata 0,478 - Sebagian besar tidak memiliki penyumbatan 13. thal (jenis kelainan aliran darah) - Skala 1–3, rata-rata 2,316 - Nilai dominan 2–3 → mayoritas menunjukkan kelainan perfusi 14. Target (Diagnosis Penyakit Jantung) - Nilai 0 = tidak ada penyakit, 1 = ada penyakit - Rata-rata 0,5789 → sekitar 58% pasien terdiagnosis memiliki penyakit jantung

b. Lakukan visualisasi untuk menunjukkan jenis kelamin apa yang paling banyak mengalami Heart desease, dan usia berapa yang paling banyak mengalami heart desease

Visualisasi 1: Jenis Kelamin yang Paling Banyak Mengalami Penyakit Jantung

library(ggplot2)

data_no_outliers %>%
  filter(target == 1) %>%
  count(sex) %>%
  mutate(sex = factor(sex, labels = c("Perempuan", "Laki-laki"))) %>%
  ggplot(aes(x = sex, y = n, fill = sex)) +
  geom_bar(stat = "identity") +
  labs(
    title = "Jumlah Kasus Penyakit Jantung Berdasarkan Jenis Kelamin",
    x = "Jenis Kelamin",
    y = "Jumlah Kasus"
  ) +
  theme_minimal()

interpretasi: - Kasus penyakit jantung sedikit lebih banyak terjadi pada laki-laki dibanding perempuan. - Ini menunjukkan bahwa jenis kelamin laki-laki mungkin memiliki risiko lebih tinggi terhadap penyakit jantung dalam data ini.

Visualisasi 2: Usia yang Paling Banyak Mengalami Penyakit Jantung

print(
  data_no_outliers %>%
    filter(target == 1) %>%
    count(age) %>%
    ggplot(aes(x = age, y = n)) +
    geom_col(fill = "#E74C3C") +
    labs(
      title = "Distribusi Usia Penderita Penyakit Jantung",
      x = "Usia",
      y = "Jumlah Kasus"
    ) +
    theme_minimal()
)

interpretasi : - Sebagian besar penderita penyakit jantung berada pada rentang usia 40–60 tahun. - Usia dengan jumlah kasus terbanyak sekitar 40–45 tahun. - Ini mengindikasikan bahwa risiko penyakit jantung meningkat signifikan mulai usia 40-an.

Visualisasi 3: Usia dengan Gula Darah > 120 mg/dl

data %>%
  filter(fbs == 1) %>%
  count(age) %>%
  ggplot(aes(x = age, y = n)) +
  geom_col(fill = "#3498DB") +
  labs(
    title = "Jumlah Individu dengan Gula Darah > 120 mg/dl Berdasarkan Usia",
    x = "Usia",
    y = "Jumlah Orang"
  ) +
  theme_minimal()

interpretasi : - Individu dengan gula darah tinggi (>120 mg/dl) paling banyak berada pada rentang usia 50–60 tahun. - Puncak kasus terlihat sekitar usia 52–55 tahun. - Menunjukkan bahwa gula darah tinggi yang bisa memicu penyakit jantung lebih umum pada usia paruh baya.

c. Lakukan analisis untuk mengetahui, apakah kadar gula darah seseorang yang lebih besar dari 120 paling banyak mengalami Heart desease

# Tabulasi antara fbs dan target
tab <- data %>%
  count(fbs, target)

print(tab)

## # A tibble: 4 × 3
##     fbs target     n
##   <dbl>  <dbl> <int>
## 1     0      0   116
## 2     0      1   142
## 3     1      0    22
## 4     1      1    23

# Hitung proporsi penderita penyakit jantung di masing-masing kategori fbs
proporsi <- data %>%
  group_by(fbs) %>%
  summarise(
    total = n(),
    penderita = sum(target == 1),
    proporsi_penyakit_jantung = penderita / total
  )

print(proporsi)

## # A tibble: 2 × 4
##     fbs total penderita proporsi_penyakit_jantung
##   <dbl> <int>     <int>                     <dbl>
## 1     0   258       142                     0.550
## 2     1    45        23                     0.511

# 4. Visualisasi
proporsi %>%
  mutate(fbs_label = ifelse(fbs == 1, "> 120 mg/dl", "≤ 120 mg/dl")) %>%
  ggplot(aes(x = fbs_label, y = proporsi_penyakit_jantung, fill = fbs_label)) +
  geom_col() +
  labs(
    title = "Proporsi Penyakit Jantung Berdasarkan Kadar Gula Darah",
    x = "Kadar Gula Darah (fbs)",
    y = "Proporsi Penyakit Jantung"
  ) +
  theme_minimal()

interpretasi : Kadar gula darah tinggi (> 120 mg/dl) tidak serta merta meningkatkan proporsi penyakit jantung pada data ini, walaupun biasanya diharapkan sebaliknya. Ini bisa menunjukkan pengaruh faktor lain yang lebih dominan.

d. Lakukan identifikasi untuk mengetahui jenis nyeri dada yang paling banyak terjadi pada seseorang mengalami Heart desease

# Tambahkan label jenis nyeri dada
cp_labels <- c(
  "0" = "Typical Angina",
  "1" = "Atypical Angina",
  "2" = "Non-anginal Pain",
  "3" = "Asymptomatic"
)

# Analisis dan visualisasi
data %>%
  filter(target == 1) %>%
  count(cp) %>%
  mutate(cp_label = recode(as.character(cp), !!!cp_labels)) %>%
  ggplot(aes(x = cp_label, y = n, fill = cp_label)) +
  geom_col() +
  labs(
    title = "Jenis Nyeri Dada Paling Banyak pada Penderita Penyakit Jantung",
    x = "Jenis Nyeri Dada",
    y = "Jumlah Penderita"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

- Temuan: Jenis nyeri dada yang paling sering dialami oleh penderita penyakit jantung adalah Non-anginal pain, diikuti oleh Atypical angina dan Typical angina. Sementara itu, jenis nyeri dada Asymptomatic merupakan yang paling jarang dijumpai. - Interpretasi: Hal ini menunjukkan bahwa mayoritas penderita tidak mengalami nyeri dada khas seperti pada angina tipikal. Justru mereka lebih banyak mengalami nyeri dada yang tidak spesifik atau tidak berhubungan langsung dengan aktivitas jantung (non-anginal). Kondisi ini bisa menyebabkan keterlambatan dalam diagnosis penyakit jantung karena gejala tidak terlihat mencolok atau sesuai dengan gejala klasik. Oleh karena itu, penting untuk tidak mengabaikan jenis nyeri dada yang tidak khas ketika menilai risiko penyakit jantung, terutama pada populasi yang memiliki faktor risiko lainnya.

e. Buat visualisasi Bar plot proporsi heart desease terhadap variabel kategorikal cp, ca, dan thal. Interpretasikan

# Ganti nama kolom kalau beda
data_long <- data %>%
  select(target, cp, ca, thal) %>%
  pivot_longer(
    cols = -target,
    names_to = "variabel",
    values_to = "kategori"
  )

proporsi <- data_long %>%
  group_by(variabel, kategori) %>%
  summarise(
    total = n(),
    penderita = sum(target == 1),
    proporsi_hd = penderita / total,
    .groups = "drop"
  ) %>%
  mutate(kategori = as.factor(kategori))

ggplot(proporsi, aes(x = kategori, y = proporsi_hd, fill = kategori)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ variabel, scales = "free_x") +
  labs(
    title = "Proporsi Penyakit Jantung berdasarkan Variabel Kategorikal",
    x = "Kategori",
    y = "Proporsi Penyakit Jantung"
  ) +
  theme_minimal()

interpretai: 1. Subplot ca (jumlah pembuluh darah yang terlihat fluoroskopi): - Kategori 0 dan 4 menunjukkan proporsi tertinggi. - Kategori 1–3 proporsinya jauh lebih rendah. Interpretasi: Pasien dengan 0 atau 4 pembuluh darah yang terdeteksi cenderung memiliki proporsi penyakit jantung lebih tinggi. 2. Subplot cp (jenis nyeri dada): - Kategori 1 (Atypical angina) dan 2 (Non-anginal pain) memiliki proporsi tertinggi. Interpretasi: Jenis nyeri dada selain angina tipikal sering terkait dengan penyakit jantung. 3. Subplot thal (hasil tes thalassemia): - Kategori 2 menunjukkan proporsi tertinggi, diikuti oleh 0. Interpretasi: Hasil tes thal kategori 2 bisa menjadi indikator kuat terhadap keberadaan penyakit jantung.

f. Lakukan eksplorasi untuk mengetahui arah hubungan antara variabel age dan thalach yang dibedakan untuk seseorang yang memiliki penyakit jantung dan tidak. Apakah hubungan itu linear atau non-linear? Bagaimana cara mengetahuinya?

# Visualisasi hubungan age vs thalach
ggplot(data, aes(x = age, y = thalach, color = as.factor(target))) +
  geom_point(alpha = 0.6) +  # scatter point
  geom_smooth(method = "lm", se = FALSE, linetype = "dashed") +  # garis linear
  geom_smooth(method = "loess", se = FALSE, linetype = "solid") +  # garis non-linear
  labs(
    title = "Hubungan antara Usia (age) dan Denyut Jantung Maksimum (thalach)",
    x = "Usia",
    y = "Denyut Jantung Maksimum (thalach)",
    color = "Penyakit Jantung"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'

interpretasi: Grafik ini menunjukkan hubungan antara usia dan denyut jantung maksimum (thalach), dibedakan berdasarkan status penyakit jantung. Terlihat bahwa secara umum, semakin bertambah usia, denyut jantung maksimum cenderung menurun. Pola penurunan ini terlihat lebih tajam pada kelompok penderita penyakit jantung dibandingkan yang tidak. Artinya, penderita penyakit jantung cenderung memiliki denyut jantung maksimum yang lebih rendah seiring bertambahnya usia.

g.Buat heatmap korelasi antar variabel yang berskala interval atau rasio kemudian interpretasukan hasil yang didapat

library(reshape2)  # untuk melt korelasi

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

## 
## Attaching package: 'reshape2'

## The following object is masked from 'package:tidyr':
## 
##     smiths

library(RColorBrewer)

# Pilih variabel numerik (interval/rasio)
data_numeric <- data %>%
  select_if(is.numeric)

# Hitung matriks korelasi
cor_matrix <- cor(data_numeric, use = "complete.obs")

# Ubah ke format long (untuk ggplot)
cor_melt <- melt(cor_matrix)

# Plot heatmap
ggplot(cor_melt, aes(Var1, Var2, fill = value)) +
  geom_tile(color = "white") +
  scale_fill_gradient2(
    low = "blue", high = "red", mid = "white",
    midpoint = 0, limit = c(-1,1),
    name = "Korelasi"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
  labs(
    title = "Heatmap Korelasi Antar Variabel Numerik",
    x = "Variabel",
    y = "Variabel"
  )

interpretasi: Heatmap ini menunjukkan kekuatan dan arah hubungan antar variabel numerik. Warna merah menunjukkan korelasi positif, sedangkan ungu menunjukkan korelasi negatif. Korelasi tertinggi terhadap variabel target (indikator penyakit jantung) terlihat pada variabel cp (chest pain), thalach (denyut jantung maksimum), ca, dan thal. Sebaliknya, oldpeak (depresi ST) dan exang (angina karena latihan) menunjukkan korelasi negatif dengan target. Ini memberi gambaran awal variabel-variabel yang mungkin penting dalam prediksi penyakit jantung.

h. Buat summary hasil analisis yang telah dilakukan. Menurut kalian apa apa saja hal-hal yang dapat mencegah penyakit jantung dan aspek apa saja yang merupakan indikasi penyakit jantung

Summary Hasil Analisis Data PSD (Penyakit Jantung) 1. Kebersihan Data ✅ Tidak ditemukan missing values.

✅ Tidak ditemukan data duplikat.

⚠️ Terdapat beberapa nilai ekstrim (outlier) pada variabel numerik, dan telah dibersihkan menggunakan metode IQR.

Statistika Deskriptif

Rata-rata usia pasien berada di kisaran 50–55 tahun.
Denyut jantung maksimum (thalach) menunjukkan variasi cukup besar antar individu.
Distribusi nilai numerik lainnya seperti tekanan darah (trestbps) dan kolesterol (chol) juga menunjukkan adanya penyebaran data yang wajar setelah outlier dihapus.

Visualisasi dan Insight Penting

Jenis Kelamin Laki-laki lebih banyak mengalami penyakit jantung dibanding perempuan.
Usia Penderita paling banyak berada di usia 50–60 tahun, menunjukkan peningkatan risiko seiring bertambahnya usia.
Kadar Gula Darah (fbs) Individu dengan fbs > 120 mg/dl memang lebih sering mengalami penyakit jantung, tapi proporsinya tidak terlalu jauh berbeda dengan yang kadar gulanya ≤ 120.

Artinya, gula darah tinggi bisa menjadi faktor risiko, tetapi bukan satu-satunya indikator dominan.

Jenis Nyeri Dada (cp) Penderita penyakit jantung paling banyak mengalami Asymptomatic chest pain (nyeri dada tanpa gejala).

Ini mengindikasikan bahwa tidak semua penderita menunjukkan gejala yang mencolok, sehingga pemeriksaan medis tetap penting meski merasa sehat.

Variabel Kategorikal: cp, ca, thal Dari bar plot proporsi:

cp: Asymptomatic memiliki proporsi penyakit jantung paling tinggi.

ca: Jumlah pembuluh yang tersumbat lebih banyak → risiko meningkat.

thal: Fixed defect dan reversible defect menunjukkan proporsi lebih tinggi dibanding normal.

Hubungan Usia dan Denyut Jantung Maksimum (thalach) Hubungan negatif: Semakin tua usia, cenderung semakin rendah thalach.

Garis loess (non-linear) menunjukkan hubungan ini tidak sepenuhnya linear.Artinya, penurunan tidak terjadi secara konsisten pada tiap usia, bisa dipengaruhi kondisi lain juga.

Korelasi Antar Variabel Korelasi tinggi negatif antara age dan thalach, Korelasi moderat antara cp dan target.

Korelasi antara chol dan target sangat lemah, artinya kolesterol tinggi belum tentu langsung menunjukkan risiko penyakit jantung, tergantung faktor lain.

kesimpulan : * Hal-Hal yang Dapat Membantu Mencegah Penyakit Jantung - Pola hidup sehat: konsumsi makanan rendah lemak dan gula. - Rutin berolahraga: menjaga thalach tetap optimal dan memperkuat jantung. - Pantau kadar gula darah (fbs) dan tekanan darah secara berkala. - Berhenti merokok dan hindari stres berlebihan. - Cek kesehatan rutin, terutama jika berusia di atas 45 tahun.

*Aspek yang Merupakan Indikasi Penyakit Jantung - Nyeri dada jenis “Asymptomatic” yang tidak terasa namun berbahaya. - Jumlah pembuluh darah tersumbat (ca) yang tinggi. - Kelainan thalassemia (thal) tipe fixed atau reversible defect. - Usia lanjut dan denyut jantung maksimum rendah. - Kadar gula darah tinggi (meskipun bukan satu-satunya faktor). - Jenis kelamin laki-laki memiliki risiko lebih tinggi.

NOMOR 2

# Library yang dibutuhkan
library(ggplot2)
library(dplyr)

# Buat data sesuai tabel
data <- data.frame(
  No = 1:24,
  Konsumsi_GWh = c(10, 20, 30, 50, 70, 90, 40, 80, 120, 200, 300, 400, 15, 25, 35, 50, 70, 5, 10, 15, 20, 25, 30, 40),
  Biaya_per_kWh = c(1500, 1450, 1400, 1350, 1300, 1250, 1300, 1250, 1200, 1150, 1100, 1050,
                    1600, 1550, 1500, 1450, 1400, 1700, 1600, 1550, 1500, 1450, 1400, 1350),
  Konsumen = c(rep("Rumah Tangga", 6),
               rep("Industri", 6),
               rep("Kantor Pemerintah", 5),
               rep("UMKM", 7))
)

# Plot
ggplot(data, aes(x = Konsumsi_GWh, y = Biaya_per_kWh, color = Konsumen)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE, linetype = "dashed") +  # garis tren per konsumen
  labs(
    title = "Harga Listrik per kWh Menurut Skema Berdasarkan Konsumen",
    x = "Total Konsumsi Listrik (GWh)",
    y = "Biaya per kWh (Rp)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5)
  )

## `geom_smooth()` using formula = 'y ~ x'

penjelasan sintax :

memanggil library : “library(ggplot2)” dan “library(dplyr)” ggplot2: untuk membuat grafik visualisasi data. dplyr: untuk manipulasi data (walaupun dalam script ini belum digunakan secara aktif).
membuat data frame data <- data.frame( No = 1:24, Konsumsi_GWh = c(…), Biaya_per_kWh = c(…), Konsumen = c(…)
membuat plot menggunakan ggplot ggplot(data, aes(x = Konsumsi_GWh, y = Biaya_per_kWh, color = Konsumen)) +
menambahkan titik ke plot geom_point(size = 3) +
menambahkan garis trend geom_smooth(method = “lm”, se = FALSE, linetype = “dashed”) +
menambahkan judul dan label sumbu labs( title = “Harga Listrik per kWh Menurut Skema Berdasarkan Konsumen”, x = “Total Konsumsi Listrik (GWh)”, y = “Biaya per kWh (Rp)” ) +
tema tampilan minimalis theme_minimal() +
mengatur gaya judul theme( plot.title = element_text(face = “bold”, hjust = 0.5) )

interpretasi chart : Grafik ini memperlihatkan hubungan antara total konsumsi listrik (GWh) dan biaya per kWh untuk berbagai jenis konsumen. Terlihat bahwa semakin tinggi konsumsi listrik, biaya per kWh cenderung menurun untuk semua kategori konsumen. Konsumen industri memiliki konsumsi tertinggi dan tarif per kWh yang paling murah. Sebaliknya, UMKM dan rumah tangga memiliki tarif per kWh yang lebih mahal karena konsumsi mereka lebih rendah. Ini mencerminkan adanya skema tarif bertingkat yang memberi insentif bagi pengguna besar.

UTS PSD

Aulia Mar’atul Hikmah

2025-04-19