UTS Sains Data A
Damasus Hardiven Waruwu
2025-04-19
1. Analisis Data
Berikut merupakan data yang digunakan pada soal, dan dibawah adalah kodingannya untuk mengimport data dengan menggunakan Rstudio:
library(readr)
heart <- read_csv("C:/Users/ASUS/OneDrive/Hardiven/Semester 4/Sains Data/UTS/heart.csv")## Rows: 303 Columns: 14
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (14): age, sex, cp, trestbps, chol, fbs, restecg, thalach, exang, oldpea...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.heart## # A tibble: 303 × 14
## age sex cp trestbps chol fbs restecg thalach exang oldpeak slope
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 63 1 3 145 233 1 0 150 0 2.3 0
## 2 37 1 2 130 250 0 1 187 0 3.5 0
## 3 41 0 1 130 204 0 0 172 0 1.4 2
## 4 56 1 1 120 236 0 1 178 0 0.8 2
## 5 57 0 0 120 354 0 1 163 1 0.6 2
## 6 57 1 0 140 192 0 1 148 0 0.4 1
## 7 56 0 1 140 294 0 0 153 0 1.3 1
## 8 44 1 1 120 263 0 1 173 0 0 2
## 9 52 1 2 172 199 1 1 162 0 0.5 2
## 10 57 1 2 150 168 0 1 174 0 1.6 2
## # ℹ 293 more rows
## # ℹ 3 more variables: ca <dbl>, thal <dbl>, target <dbl>Dataset ini berisi data terkait kondisi kesehatan pasien untuk mendeteksi potensi penyakit jantung. Berikut adalah penjelasan masing-masing variabel beserta skala data yang digunakan:
| Nama Variabel | Deskripsi | Skala Data |
|---|---|---|
age |
Usia pasien dalam tahun | Rasio |
sex |
Jenis kelamin pasien (1 = laki-laki, 0 = perempuan) | Nominal |
cp |
Tipe nyeri dada (0 = typical angina, 1 = atypical angina, 2 = non-anginal pain, 3 = asymptomatic) | Ordinal |
trestbps |
Tekanan darah saat istirahat (dalam mm Hg) | Rasio |
chol |
Kadar kolesterol dalam darah (mg/dl) | Rasio |
fbs |
Gula darah puasa > 120 mg/dl (1 = ya, 0 = tidak) | Nominal |
restecg |
Hasil EKG saat istirahat (0 = normal, 1 = kelainan ST-T, 2 = hipertrofi ventrikel kiri) | Ordinal |
thalach |
Detak jantung maksimum yang dicapai | Rasio |
exang |
Apakah mengalami angina karena olahraga (1 = ya, 0 = tidak) | Nominal |
oldpeak |
Depresi ST yang diinduksi oleh olahraga terhadap kondisi istirahat | Rasio |
slope |
Kemiringan segmen ST saat latihan (0 = naik, 1 = datar, 2 = menurun) | Ordinal |
ca |
Jumlah pembuluh darah besar yang terdeteksi melalui fluoroskopi (0–3) | Rasio (Diskrit) |
thal |
Jenis thalassemia (1 = normal, 2 = cacat tetap, 3 = cacat reversibel) | Ordinal |
target |
Diagnosis penyakit jantung (1 = ada penyakit jantung, 0 = tidak ada) | Nominal |
a. Melakukan Pengecekan apakah terdapat :
- Nilai yang hilang (missing values)
colSums(is.na(heart))## 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 0Dari hasil percobaan pengecekan nilai yang hilang ditemukan tidak terdapat data yang hilang.
- Data yang tercatat ganda (duplicate records)
sum(duplicated(heart))## [1] 1heart <- heart[!duplicated(heart), ]pada pengecekan data duplikat diperoleh bahwa terdapat 1 data yang terduplikat, dan dilakukan penanganan pada data tersebut dengan menghapus duplikat
- Nilai ekstrim (outlier) pada variabel numerik
# Fungsi untuk mengganti outlier dengan NA (menggunakan IQR)
replace_outliers <- function(x) {
Q1 <- quantile(x, 0.25)
Q3 <- quantile(x, 0.75)
IQR <- Q3 - Q1
lower <- Q1 - 1.5 * IQR
upper <- Q3 + 1.5 * IQR
x[x < lower | x > upper] <- NA
return(x)
}
# Salin data untuk dibersihkan
heart_clean <- heart
# Terapkan ke kolom numerik
numeric_vars <- sapply(heart_clean, is.numeric)
heart_clean[, numeric_vars] <- lapply(heart_clean[, numeric_vars], replace_outliers)
# Imputasi outlier dengan median
heart_clean[, numeric_vars] <- lapply(heart_clean[, numeric_vars], function(x) {
x[is.na(x)] <- median(x, na.rm = TRUE)
return(x)
})Penanganan: Outlier dapat mempengaruhi rata-rata dan analisis lainnya. Kita menggunakan metode IQR untuk mendeteksinya, dan menggantinya dengan median karena median tidak terpengaruh oleh nilai ekstrem.
Analisis Statistika Deskriptif
summary(heart_clean[, numeric_vars])## age sex cp trestbps
## Min. :29.00 Min. :0.0000 Min. :0.0000 Min. : 94.0
## 1st Qu.:48.00 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:120.0
## Median :55.50 Median :1.0000 Median :1.0000 Median :130.0
## Mean :54.42 Mean :0.6821 Mean :0.9636 Mean :130.1
## 3rd Qu.:61.00 3rd Qu.:1.0000 3rd Qu.:2.0000 3rd Qu.:140.0
## Max. :77.00 Max. :1.0000 Max. :3.0000 Max. :170.0
## chol fbs restecg thalach exang
## Min. :126.0 Min. :0 Min. :0.0000 Min. : 88.0 Min. :0.0000
## 1st Qu.:211.0 1st Qu.:0 1st Qu.:0.0000 1st Qu.:134.5 1st Qu.:0.0000
## Median :240.0 Median :0 Median :1.0000 Median :153.0 Median :0.0000
## Mean :243.2 Mean :0 Mean :0.5265 Mean :149.8 Mean :0.3278
## 3rd Qu.:272.5 3rd Qu.:0 3rd Qu.:1.0000 3rd Qu.:166.0 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 :0.7000 Median :1.000 Median :0.0000 Median :2.000
## Mean :0.9732 Mean :1.397 Mean :0.4669 Mean :2.328
## 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. :0.000
## 1st Qu.:0.000
## Median :1.000
## Mean :0.543
## 3rd Qu.:1.000
## Max. :1.000Penjelasan:
Minimum dan maksimum menunjukkan rentang nilai.
Kuartil pertama, median, dan kuartil ketiga membantu memahami sebaran data.
Rata-rata menunjukkan nilai tengah secara umum setelah pembersihan.
b. Visualisasi data
Sebelum melakukan visualisasi, kita pastikan bahwa data sudah bersih dan siap untuk divisualisasikan.
library(ggplot2)
library(dplyr)##
## 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- Jenis Kelamin yang Paling Banyak Mengalami Penyakit Jantung
# Konversi label jenis kelamin
heart_clean$sex <- factor(heart_clean$sex, levels = c(0,1), labels = c("Perempuan", "Laki-laki"))
# Visualisasi
ggplot(heart_clean, aes(x = sex, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Jumlah Penyakit Jantung berdasarkan Jenis Kelamin",
x = "Jenis Kelamin", y = "Jumlah",
fill = "Penyakit Jantung") +
scale_fill_manual(values = c("0" = "gray", "1" = "red"),
labels = c("Tidak", "Ya")) +
theme_minimal()
menunjukkan distribusi jumlah penderita penyakit jantung berdasarkan jenis kelamin. Jenis kelamin dengan batang merah lebih tinggi adalah yang paling banyak mengalaminya.
- Usia Terbanyak yang Mengalami Penyakit Jantung
# Filter penderita heart disease
penderita_hd <- heart_clean %>% filter(target == 1)
# Histogram usia penderita
ggplot(penderita_hd, aes(x = age)) +
geom_histogram(binwidth = 2, fill = "red", color = "black") +
labs(title = "Distribusi Usia Penderita Penyakit Jantung",
x = "Usia", y = "Jumlah") +
theme_minimal()
Histogram ini menunjukkan pada usia berapa penderita penyakit jantung paling banyak ditemukan.
- Usia dengan Gula Darah > 120 mg/dl
# Filter berdasarkan fbs > 120
gula_tinggi <- heart %>% filter(fbs == 1 )
# Histogram usia dengan fbs tinggi
ggplot(gula_tinggi, aes(x = age)) +
geom_histogram(binwidth = 2, fill = "steelblue", color = "black") +
labs(title = "Distribusi Usia dengan Gula Darah > 120 mg/dl",
x = "Usia", y = "Jumlah") +
theme_minimal()
Visualisasi ini menampilkan usia-usia yang sering mengalami gula darah puasa tinggi (>120 mg/dl) berada pada usia 53-54.
c. Analisis Hubungan Gula Darah dan Penyakit Jantung
Tujuan dari analisis ini adalah untuk mengetahui apakah kadar gula darah > 120 mg/dl berhubungan dengan kemungkinan menderita penyakit jantung.
- Tabel Frekuensi
table_gula_hd <- table(heart$fbs, heart$target)
rownames(table_gula_hd) <- c("≤ 120 mg/dl", "> 120 mg/dl")
colnames(table_gula_hd) <- c("Tidak HD", "Penyakit Jantung")
table_gula_hd##
## Tidak HD Penyakit Jantung
## ≤ 120 mg/dl 116 141
## > 120 mg/dl 22 23# Hitung proporsi penderita heart disease pada masing-masing kelompok fbs
prop.table(table_gula_hd, margin = 1)##
## Tidak HD Penyakit Jantung
## ≤ 120 mg/dl 0.4513619 0.5486381
## > 120 mg/dl 0.4888889 0.5111111Interpretasi: Proporsi lebih tinggi pada kategori “> 120 mg/dl” menunjukkan bahwa orang dengan kadar gula darah tinggi memiliki kemungkinan lebih besar terkena penyakit jantung.
- Uji Statistik Chi-Square
# Uji Chi-Square
chisq.test(table(heart_clean$fbs, heart_clean$target))##
## Chi-squared test for given probabilities
##
## data: table(heart_clean$fbs, heart_clean$target)
## X-squared = 2.2384, df = 1, p-value = 0.1346Penjelasan:
Jika nilai p-value < 0.05, maka ada hubungan signifikan antara fbs dan penyakit jantung.
Artinya, kadar gula darah > 120 berkorelasi signifikan dengan risiko penyakit jantung.
d. Lakukan identifikasi untuk mengetahui jenis nyeri dada yang paling banyak terjadi pada seseorang mengalami Heart desease
Tujuan analisis ini adalah mengetahui jenis nyeri dada apa yang
paling banyak dialami oleh pasien yang menderita penyakit jantung
(target = 1).
Visualisasi Frekuensi Nyeri Dada
library(dplyr)
library(ggplot2)
# Ubah kode chest pain menjadi label yang mudah dibaca
heart_clean$cp <- factor(heart_clean$cp,
levels = c(0, 1, 2, 3),
labels = c("Typical Angina", "Atypical Angina", "Non-anginal Pain", "Asymptomatic"))
# Filter hanya penderita penyakit jantung
penderita_hd <- heart_clean %>% filter(target == 1)
# Hitung frekuensi chest pain di antara penderita heart disease
library(ggplot2)
ggplot(penderita_hd, aes(x = cp)) +
geom_bar(fill = "tomato", color = "black") +
labs(title = "Jenis Nyeri Dada pada Penderita Penyakit Jantung",
x = "Jenis Nyeri Dada", y = "Jumlah") +
theme_minimal()
Tabel frekuensi chest pain pada penderita heart disease
table(penderita_hd$cp)##
## Typical Angina Atypical Angina Non-anginal Pain Asymptomatic
## 39 41 68 16Berdasarkan tabel frekuensi, jumlah masing-masing jenis nyeri dada pada penderita penyakit jantung adalah sebagai berikut:
- Typical Angina: 39 kasus
- Atypical Angina: 41 kasus
- Non-anginal Pain: 68 kasus
- Asymptomatic: 16 kasus
Jenis nyeri dada yang paling sering dialami oleh penderita penyakit jantung adalah Non-anginal Pain, dengan total 68 kasus. Hal ini menunjukkan bahwa gejala nyeri dada yang tidak khas angina (non-anginal pain) dapat menjadi indikator yang penting untuk mendeteksi penyakit jantung.
Temuan ini juga menunjukkan bahwa tidak semua penderita heart disease mengalami nyeri dada yang “klasik”, sehingga penting bagi tenaga medis untuk mempertimbangkan variasi gejala saat melakukan diagnosis dini.
e. Buat visualisasi Bar plot proporsi heart desease terhadap variabel kategorikal cp, ca, dan thal. Interpretasikan.
Kita akan memvisualisasikan proporsi penderita penyakit
jantung (target = 1) terhadap variabel kategorikal
cp, ca, dan thal.
# Ubah tipe data ke factor agar readable
heart_clean$cp <- factor(heart_clean$cp,
levels = c("Typical Angina", "Atypical Angina", "Non-anginal Pain", "Asymptomatic"))
heart_clean$ca <- factor(heart_clean$ca)
heart_clean$thal <- factor(heart_clean$thal)- Proporsi Penyakit Jantung berdasarkan Jenis Nyeri Dada (cp)
# Buat proporsi target per kategori cp
heart_clean %>%
group_by(cp) %>%
summarise(prop_hd = mean(target)) %>%
ggplot(aes(x = cp, y = prop_hd)) +
geom_bar(stat = "identity", fill = "tomato", color = "black") +
labs(title = "Proporsi Penyakit Jantung berdasarkan Jenis Nyeri Dada",
x = "Jenis Nyeri Dada", y = "Proporsi Penderita Heart Disease") +
ylim(0,1) +
theme_minimal()
- Proporsi Penyakit Jantung berdasarkan Jumlah Pembuluh (ca)
heart_clean %>%
group_by(ca) %>%
summarise(prop_hd = mean(target)) %>%
ggplot(aes(x = ca, y = prop_hd)) +
geom_bar(stat = "identity", fill = "skyblue", color = "black") +
labs(title = "Proporsi Penyakit Jantung berdasarkan Jumlah Pembuluh Darah (ca)",
x = "Jumlah ca", y = "Proporsi Penderita Heart Disease") +
ylim(0,1) +
theme_minimal()
- Proporsi Penyakit Jantung berdasarkan Thalassemia (thal)
heart_clean %>%
group_by(thal) %>%
summarise(prop_hd = mean(target)) %>%
ggplot(aes(x = thal, y = prop_hd)) +
geom_bar(stat = "identity", fill = "darkgreen", color = "black") +
labs(title = "Proporsi Penyakit Jantung berdasarkan Jenis Thalassemia",
x = "Thal", y = "Proporsi Penderita Heart Disease") +
ylim(0,1) +
theme_minimal()
Interpretasi Visualisasi: - Chest Pain (cp): - Proporsi tertinggi penderita penyakit jantung berada pada kategori Non-anginal Pain dan Asymptomatic, menunjukkan bahwa gejala nyeri dada bisa bersifat tidak khas pada pasien heart disease.
- ca (Jumlah pembuluh darah berwarna):
- Proporsi penyakit jantung menurun seiring bertambahnya nilai
ca. Artinya, penderita dengan 0–1 pembuluh lebih sering mengalami heart disease dibanding mereka dengancalebih banyak (mungkin sebagai penanda kondisi pembuluh lebih baik).
- Proporsi penyakit jantung menurun seiring bertambahnya nilai
- thal (Jenis thalassemia):
- Proporsi tertinggi terlihat pada kategori tertentu (misalnya
thal = 2jika itu mewakili reversible defect), menandakan jenis thal tertentu bisa meningkatkan risiko penyakit jantung.
- Proporsi tertinggi terlihat pada kategori tertentu (misalnya
Visualisasi proporsi ini membantu memahami kategori mana yang lebih rentan terhadap penyakit jantung dan bisa dijadikan referensi untuk deteksi dini.
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?
Tujuan bagian ini adalah mengeksplorasi hubungan antara usia
(age) dan detak jantung maksimum (thalach)
pada individu yang memiliki dan tidak memiliki penyakit jantung.
Visualisasi Scatter Plot dengan Garis Tren
library(ggplot2)
# Ubah target menjadi label
heart_clean$target <- factor(heart_clean$target,
levels = c(0, 1),
labels = c("Tidak Ada Penyakit Jantung", "Penyakit Jantung"))
# Scatter plot dengan garis regresi
ggplot(heart_clean, aes(x = age, y = thalach, color = target)) +
geom_point(alpha = 0.5) +
geom_smooth(method = "loess", se = FALSE, linetype = "dashed") +
labs(title = "Hubungan antara Usia dan Detak Jantung Maksimum",
x = "Usia", y = "Thalach (Detak Jantung Maksimum)") +
theme_minimal() +
scale_color_manual(values = c("steelblue", "tomato"))## `geom_smooth()` using formula = 'y ~ x'
Korelasi dan Interpretasi Awal
# Hitung korelasi per grup target
library(dplyr)
heart_clean %>%
group_by(target) %>%
summarise(korelasi = cor(age, thalach))## # A tibble: 2 × 2
## target korelasi
## <fct> <dbl>
## 1 Tidak Ada Penyakit Jantung -0.101
## 2 Penyakit Jantung -0.523Interpretasi: - Arah hubungan:
Scatter plot menunjukkan bahwa semakin bertambah usia, nilai
thalach cenderung menurun, baik pada penderita maupun bukan
penderita penyakit jantung. Ini menunjukkan adanya hubungan
negatif antara usia dan detak jantung maksimum.
- Linear atau Non-linear?
- Kita menggunakan
geom_smooth(method = "loess")untuk menampilkan pola hubungan tanpa mengasumsikan linearitas. - Jika garis tren terlihat melengkung dan tidak lurus, maka hubungan tersebut bersifat non-linear.
- Jika garis mendekati garis lurus, maka mendekati linear.
- Kita menggunakan
- Kesimpulan: Hubungan antara
agedanthalachnegatif dan cenderung non-linear, dengan penurunan detak jantung yang tidak selalu konstan terhadap pertambahan usia.
g. Buat heatmap korelasi antar variabel yang berskala interval atau rasio kemudian interpretasukan hasil yang didapat
Visualisasi ini bertujuan untuk melihat kekuatan dan arah hubungan antar variabel numerik dalam data.
Membuat Heatmap Korelasi
# Ambil hanya variabel numerik
library(dplyr)
numeric_vars <- heart_clean %>%
select_if(is.numeric)
# Hitung korelasi
cor_matrix <- cor(numeric_vars)## Warning in cor(numeric_vars): the standard deviation is zero# Plot heatmap
library(ggplot2)
library(reshape2)
# Ubah ke format long
melted_cor <- melt(cor_matrix)
# Buat heatmap
ggplot(data = melted_cor, aes(x = Var1, y = 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, hjust = 1)) +
labs(title = "Heatmap Korelasi Variabel Numerik",
x = "", y = "")
Interpretasi: Berdasarkan heatmap korelasi:
- Variabel
agememiliki korelasi negatif yang cukup jelas denganthalach, artinya semakin tua seseorang, detak jantung maksimumnya cenderung menurun. - Korelasi antara
trestbpsdancholcukup lemah, menunjukkan tidak ada hubungan linier yang kuat antara tekanan darah saat istirahat dan kolesterol. cp(jenis nyeri dada) mungkin memiliki korelasi sedang dengantarget, tetapi karena itu data kategorikal, interpretasi korelasinya harus hati-hati.- Umumnya, nilai korelasi di bawah 0.5 menandakan hubungan yang lemah hingga sedang.
Penting dicatat: Korelasi tidak menunjukkan kausalitas. Meskipun dua variabel berkorelasi, bukan berarti yang satu menyebabkan yang lain.
2. Dari data berikut, Buat diagram yang sama dengan contoh. Serta jelaskan maksud setiap dari bagian sintag tersebut. Kemudian interpretasikan.
library(readxl)
data2 <- read_excel("C:/Users/ASUS/OneDrive/Hardiven/Semester 4/Sains Data/UTS/Data2.xlsx")ada bagian tersebut kodingan tersebut berfungsi untuk mengimpor data
dengan bantuan library(readxl) untuk mengambil data dengan
format .xlsx dan data tersebut dimasukkan ke dalam variabel
baru yaitu data2.
library(ggplot2)
ggplot(data2, aes(x = `Konsumsi GWh`, y = `Biaya per kWh`, color = Konsumen)) +
geom_point()+
geom_line() +
labs(
title = "Konsumsi Listrik Berdasarkan Kategori Konsumen",
x = "Nomor Urut",
y = "Konsumsi (GWh)",
color = "Kategori Konsumen"
) +
theme_minimal()
Visualisasi ini menggunakan paket ggplot2 untuk membuat
grafik yang menggambarkan hubungan antara konsumsi listrik (dalam GWh)
dengan biaya per kWh, berdasarkan kategori konsumen. Penjelasan
Kode: - ggplot(data2, aes(...)) : Membuat plot
dari data bernama data2. Di dalam aes(), kita menentukan bahwa:
x= Konsumsi GWh → sumbu horizontaly= Biaya per kWh → sumbu vertikalcolor= Konsumen → membedakan warna berdasarkan kategori konsumengeom_point(): Menambahkan titik-titik data pada plot (scatter plot), merepresentasikan masing-masing pasangan nilai x dan y.geom_line(): Menambahkan garis penghubung antar titik untuk tiap kategori konsumen. Ini berguna untuk melihat pola atau tren dalam masing-masing kelompok.labs(): Memberikan label pada judul grafik, sumbu X dan Y, serta legenda warna.theme_minimal(): Menggunakan tema visual sederhana agar tampilan plot lebih bersih dan profesional.
Interpretasi Visualisasi: - Kategori UMKM dan Rumah Tangga memiliki konsumsi listrik paling tinggi di urutan awal, namun jumlah konsumen mereka terlihat lebih sedikit karena titiknya hanya di bagian awal sumbu X.
Kategori Industri memiliki sebaran titik yang lebih panjang hingga nomor urut 400, menandakan bahwa:
Jumlah pelanggan kategori industri lebih banyak dalam data ini.
Konsumsi listrik per pelanggan di industri cenderung lebih rendah secara individu, tapi volume totalnya besar karena banyaknya pelanggan.
Kategori Pemerintah juga memiliki jumlah pelanggan terbatas (sekitar 5-6 titik), dengan konsumsi cukup tinggi, mirip dengan UMKM dan Rumah Tangga.
Pola menurun (declining pattern) tampak di semua kategori. Artinya, semakin besar nomor urut pelanggan, semakin kecil konsumsi listriknya — ini bisa mengindikasikan skala bisnis atau aktivitas dari masing-masing pelanggan makin kecil.