PROJECT_PSDA_NAI
SITINAILYA
2025-04-19
## Soal 1 (a) - Pengecekan Data
# Load library
library(dplyr)## Warning: package 'dplyr' was built under R version 4.3.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3# Load data
data <- read.csv("C:/Users/ASUS/OneDrive/Documents/PROJECT_PSDA_NAI/heart_dataproject_psda.csv", sep = ";")
# Cek Missing Values
colSums(is.na(data))## 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# Cek Data Duplikat
sum(duplicated(data))## [1] 1# Hapus duplikat
data <- data[!duplicated(data), ]
# Ringkasan Statistik
summary(data)## 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 :131.6
## 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. :200.0
## chol fbs restecg thalach
## Min. :126.0 Min. :0.000 Min. :0.0000 Min. : 71.0
## 1st Qu.:211.0 1st Qu.:0.000 1st Qu.:0.0000 1st Qu.:133.2
## Median :240.5 Median :0.000 Median :1.0000 Median :152.5
## Mean :246.5 Mean :0.149 Mean :0.5265 Mean :149.6
## 3rd Qu.:274.8 3rd Qu.:0.000 3rd Qu.:1.0000 3rd Qu.:166.0
## Max. :564.0 Max. :1.000 Max. :2.0000 Max. :202.0
## exang oldpeak slope ca
## Min. :0.0000 Min. :0.0000 Min. :0.000 Min. :0.0000
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:1.000 1st Qu.:0.0000
## Median :0.0000 Median :0.0800 Median :1.000 Median :0.0000
## Mean :0.3278 Mean :0.7957 Mean :1.397 Mean :0.7185
## 3rd Qu.:1.0000 3rd Qu.:1.0600 3rd Qu.:2.000 3rd Qu.:1.0000
## Max. :1.0000 Max. :6.0200 Max. :2.000 Max. :4.0000
## thal target
## Min. :0.000 Min. :0.000
## 1st Qu.:2.000 1st Qu.:0.000
## Median :2.000 Median :1.000
## Mean :2.315 Mean :0.543
## 3rd Qu.:3.000 3rd Qu.:1.000
## Max. :3.000 Max. :1.000# Visualisasi outlier
boxplot(data$chol, main = "Boxplot Kolesterol", col = "lightblue")
boxplot(data$trestbps, main = "Boxplot Tekanan Darah", col = "lightgreen")
boxplot(data$oldpeak, main = "Boxplot Oldpeak", col = "lightpink")
Setelah dilakukan pemeriksaan:
- Tidak ditemukan missing value pada dataset.
- Ditemukan 6 data duplikat, yang kemudian dihapus untuk menghindari pengulangan informasi yang dapat menyebabkan bias.
- Ditemukan outlier pada variabel numerik seperti
chol,trestbps, danoldpeakberdasarkan visualisasi boxplot. Outlier ini tidak dihapus karena dapat menggambarkan kondisi medis penting yang relevan untuk diagnosis penyakit jantung.
Interpretasi Statistik Deskriptif:
- Usia (
age): usia minimum adalah 29 dan maksimum 77 tahun, dengan rata-rata sekitar 54 tahun. Ini menunjukkan pasien berasal dari rentang usia dewasa hingga lansia. - Tekanan darah (
trestbps): nilai rata-rata sekitar 131 mmHg, dengan nilai maksimum mencapai 200 mmHg. - Kolesterol (
chol): nilai tertinggi mencapai 564 mg/dl, menunjukkan kemungkinan adanya outlier klinis yang penting. - Denyut jantung maksimum (
thalach): berkisar antara 71 hingga 202 bpm, rata-rata sekitar 150 bpm. - Oldpeak menunjukkan tingkat depresi ST, dengan beberapa nilai ekstrem yang terdeteksi di boxplot.
Temuan ini menggambarkan sebaran kondisi medis dari pasien, dan penting sebagai dasar analisis selanjutnya.
## Soal 1 (b) - Visualisasi Gender, Usia, dan Gula Darah
# Konversi sex ke faktor dengan label
data$sex <- factor(data$sex, labels = c("Perempuan", "Laki-laki"))
# Barplot jenis kelamin vs heart disease
ggplot(data, aes(x = sex, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Jumlah Heart Disease Berdasarkan Jenis Kelamin",
x = "Jenis Kelamin", y = "Jumlah",
fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal()
# Histogram usia penderita heart disease
ggplot(data[data$target == 1, ], aes(x = age)) +
geom_histogram(binwidth = 5, fill = "tomato", color = "black") +
labs(title = "Distribusi Usia Penderita Heart Disease",
x = "Usia", y = "Frekuensi") +
theme_minimal()
# Histogram usia dengan fbs > 120
ggplot(data[data$fbs == 1, ], aes(x = age)) +
geom_histogram(binwidth = 5, fill = "skyblue", color = "black") +
labs(title = "Distribusi Usia Pasien dengan Gula Darah > 120 mg/dl",
x = "Usia", y = "Frekuensi") +
theme_minimal()
Interpretasi, Visualisasi ini bertujuan untuk melihat:
- Jenis Kelamin: Laki-laki memiliki jumlah penderita penyakit jantung yang lebih tinggi dibandingkan perempuan.
- Usia Penderita: Usia terbanyak penderita heart disease berkisar antara 50–60 tahun.
- Usia dengan Gula Darah Tinggi: Individu dengan kadar gula darah > 120 mg/dl paling banyak berada di rentang usia 55–65 tahun.
## Soal 1 (c) - Apakah Gula Darah > 120 Berpengaruh?
# Konversi fbs ke faktor
data$fbs <- factor(data$fbs, labels = c("≤ 120 mg/dl", "> 120 mg/dl"))
# Barplot fbs vs target
ggplot(data, aes(x = fbs, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Heart Disease Berdasarkan Kadar Gula Darah",
x = "Kadar Gula Darah (FBS)", y = "Jumlah",
fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal()
# Tabel ringkasan
table(data$fbs, data$target)##
## 0 1
## ≤ 120 mg/dl 116 141
## > 120 mg/dl 22 23Setelah membandingkan jumlah penderita heart disease berdasarkan kadar gula darah (fbs):
- fbs = 1 artinya kadar gula darah > 120 mg/dl.
- fbs = 0 artinya kadar gula darah ≤ 120 mg/dl.
Interpretasi:
Berdasarkan barplot dan tabel kontingensi, jumlah penderita heart disease dengan kadar gula darah > 120 tidak lebih banyak dibandingkan yang memiliki kadar gula normal. Ini menunjukkan bahwa fbs > 120 bukan indikator utama terhadap penyakit jantung dalam dataset ini.
## Soal 1 (d) - Siapa yang Lebih Banyak Mengalami Heart Disease?
# Barplot gender vs heart disease
ggplot(data, aes(x = sex, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Heart Disease Berdasarkan Jenis Kelamin",
x = "Jenis Kelamin", y = "Jumlah",
fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal()
# Konversi variabel cp
data$cp <- factor(data$cp, labels = c(
"Typical Angina",
"Atypical Angina",
"Non-anginal Pain",
"Asymptomatic"
))
# Barplot cp vs heart disease
ggplot(data, aes(x = cp, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Heart Disease Berdasarkan Jenis Nyeri Dada (Chest Pain)",
x = "Tipe Chest Pain", y = "Jumlah",
fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
# Konversi restecg
data$restecg <- factor(data$restecg, labels = c(
"Normal",
"ST-T Wave Abnormalitas",
"Left Ventricular Hypertrophy"
))
# Barplot restecg vs heart disease
ggplot(data, aes(x = restecg, fill = factor(target))) +
geom_bar(position = "dodge") +
labs(title = "Heart Disease Berdasarkan Hasil EKG (restecg)",
x = "Hasil EKG", y = "Jumlah",
fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal()
Dari visualisasi barplot:
- Jenis nyeri dada (variabel cp) paling banyak pada penderita heart disease adalah Asymptomatic.
- Ini menunjukkan bahwa banyak penderita penyakit jantung tidak menunjukkan nyeri dada yang khas, sehingga bisa menjadi kondisi yang tidak terdeteksi sejak awal.
Interpretasi:
Jenis nyeri dada Asymptomatic menjadi salah satu karakteristik penting pada penderita heart disease dan perlu perhatian lebih karena gejalanya tidak kentara.
## Soal 1 (e) - Barplot Heart Disease terhadap cp, ca, thal
# Ubah cp jadi faktor dengan label
data$cp <- factor(data$cp, labels = c(
"Typical Angina",
"Atypical Angina",
"Non-anginal Pain",
"Asymptomatic"
))
# Ubah ca jadi faktor
data$ca <- as.factor(data$ca)
# Cek level unik untuk thal agar tahu berapa label yg dibutuhkan
table(data$thal) # Gunakan ini sekali sebelum konversi##
## 0 1 2 3
## 2 18 165 117# Jika ternyata ada 4 level (misal 0,1,2,3), beri 4 label
data$thal <- factor(data$thal, labels = c(
"Unknown", "Normal", "Fixed Defect", "Reversible Defect"
))
# Barplot proporsi heart disease terhadap cp
ggplot(data, aes(x = cp, fill = factor(target))) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan Chest Pain Type",
x = "Chest Pain Type", y = "Proporsi", fill = "Heart Disease (1=Ya, 0=Tidak)") +
theme_minimal()
# Barplot proporsi heart disease terhadap ca
ggplot(data, aes(x = ca, fill = factor(target))) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan CA",
x = "Jumlah Pembuluh Darah Berwarna (ca)", y = "Proporsi", fill = "Heart Disease") +
theme_minimal()
# Barplot proporsi heart disease terhadap thal
ggplot(data, aes(x = thal, fill = factor(target))) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan Thalassemia",
x = "Thalassemia", y = "Proporsi", fill = "Heart Disease") +
theme_minimal()
Interpretasi:
- cp: Penderita dengan tipe Asymptomatic memiliki proporsi terbesar terhadap penyakit jantung.
- ca: Semakin banyak pembuluh darah (nilai ca tinggi), proporsi heart disease meningkat drastis.
- thal: Proporsi heart disease lebih tinggi pada jenis Fixed Defect dan Reversible Defect.
## Soal 1 (f) - Eksplorasi hubungan age dan thalach berdasarkan target
# Scatter plot age vs thalach, dibedakan berdasarkan status heart disease
ggplot(data, aes(x = age, y = thalach, color = factor(target))) +
geom_point(alpha = 0.5) +
geom_smooth(method = "loess", formula = y ~ x) +
labs(title = "Hubungan antara Usia dan Denyut Jantung Maksimum",
x = "Usia",
y = "Thalach (Detak Jantung Maksimum)",
color = "Heart Disease (0=Tidak, 1=Ya)") +
theme_minimal()
Plot scatter antara age dan thalach (detak jantung maksimum) memperlihatkan:
- Hubungan negatif: Semakin tua usia seseorang, biasanya semakin rendah detak jantung maksimum.
- Pada penderita heart disease (target = 1), tren penurunan lebih jelas.
Interpretasi:
- Hubungan antara usia dan thalach bersifat non-linear, karena terlihat pola lengkung pada garis tren (loess curve).
- Hal ini penting karena penurunan thalach bisa menjadi indikator klinis terhadap kondisi jantung.
## Soal 1 (g) - Heatmap Korelasi antar Variabel Numerik
# Load library tambahan
library(corrplot)## Warning: package 'corrplot' was built under R version 4.3.3## corrplot 0.95 loaded# Pilih variabel numerik saja
data_numeric <- data %>%
select_if(is.numeric)
# Hitung korelasi
cor_matrix <- cor(data_numeric)
# Visualisasi heatmap korelasi
corrplot(cor_matrix, method = "color", type = "upper",
tl.col = "black", tl.srt = 45,
addCoef.col = "black", number.cex = 0.7,
col = colorRampPalette(c("red", "white", "blue"))(200),
title = "Heatmap Korelasi Antar Variabel",
mar = c(0,0,1,0))
Heatmap korelasi digunakan untuk melihat hubungan antar variabel numerik. Beberapa hasil penting:
- Korelasi negatif antara age dan thalach, yang berarti makin tua usia, makin rendah detak jantung maksimum.
- Korelasi positif antara oldpeak dan target = 0 menunjukkan bahwa nilai oldpeak tinggi cenderung dimiliki oleh non-penderita.
- Korelasi cp terhadap target cukup kuat dan positif, artinya tipe nyeri dada berhubungan signifikan dengan status penyakit jantung.
Interpretasi:
Korelasi ini membantu dalam proses pemodelan dan pemilihan fitur yang relevan dalam prediksi penyakit jantun
Soal 1 (h) – Summary hasil analisis
Berdasarkan analisis eksploratif yang telah dilakukan dari soal (a) hingga (g), diperoleh sejumlah temuan penting yang berkaitan dengan faktor-faktor yang memengaruhi keberadaan penyakit jantung pada individu:
Hasil Analisis:
- Distribusi variabel numerik seperti kolesterol (
chol) dan tekanan darah istirahat (trestbps) menunjukkan adanya outlier, yang dapat merepresentasikan risiko klinis tertentu. - Hasil visualisasi barplot pada variabel kategorik (
cp,ca, danthal) mengindikasikan bahwa individu dengan tipe nyeri dada Asymptomatic, jumlah pembuluh darah utama yang terblokir lebih dari satu, serta jenis thalassemia Fixed Defect atau Reversible Defect, lebih berisiko menderita penyakit jantung. - Hubungan antara usia (
age) dan detak jantung maksimum (thalach) bersifat negatif dan cenderung non-linear, terutama pada pasien dengan penyakit jantung. - Korelasi antar variabel numerik menunjukkan bahwa variabel
oldpeakdanageberkorelasi negatif denganthalach, sedangkanoldpeakmemiliki korelasi positif dengan kemungkinan menderita penyakit jantung.
Indikasi Penyakit Jantung:
Dari hasil eksplorasi, beberapa karakteristik yang menjadi indikasi kuat adanya penyakit jantung antara lain:
- Nyeri dada tipe Asymptomatic.
- Nilai
ca≥ 1, yaitu jumlah pembuluh darah utama yang mengalami penyumbatan. - Tipe thalassemia berupa Fixed Defect dan Reversible Defect.
- Nilai
thalachyang rendah (detak jantung maksimum rendah), terutama pada kelompok usia lebih tua. - Nilai
oldpeakyang tinggi dan hasil EKG (restecg) abnormal.
Hal-hal yang dapat membantu mencegah penyakit jantung:
Beberapa hal yang dapat membantu menurunkan risiko penyakit jantung di antaranya:
- Menerapkan gaya hidup sehat melalui olahraga rutin, konsumsi makanan bergizi, dan manajemen stres.
- Melakukan kontrol rutin terhadap tekanan darah, kolesterol, dan gula darah.
- Melakukan deteksi dini terhadap gejala penyakit jantung, terutama bagi individu dengan riwayat keluarga terkait.
- Menjaga berat badan ideal dan menghentikan kebiasaan merokok.
- Melakukan pemeriksaan kesehatan secara berkala, khususnya untuk individu berusia di atas 45 tahun.
Kesimpulan:
Analisis data ini menunjukkan bahwa terdapat beberapa variabel yang dapat digunakan sebagai indikator awal untuk mendeteksi potensi penyakit jantung, serta mendukung pentingnya pendekatan preventif dan promotif dalam kesehatan jantung. Penelitian lanjutan dengan metode statistik inferensial atau pemodelan prediktif dapat dilakukan untuk menguatkan temuan ini.
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
## Soal 2 - ## Soal 2 - Visualisasi Hubungan Konsumsi Listrik dan Biaya per kWh
# Load library
library(ggplot2)
library(dplyr)
# Buat data
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))
)
# Visualisasi
ggplot(data, aes(x = Konsumsi_GWh, y = Biaya_per_kWh, color = Konsumen)) +
geom_point(size = 2) +
geom_smooth(method = "lm", se = FALSE, formula = y ~ x) + # ← perbaikan di sini
scale_y_continuous(labels = scales::comma) +
labs(
title = "Biaya Listrik per kWh Menurun Seiring Kenaikan Konsumsi",
x = "Total Konsumsi Listrik (GWh)",
y = "Biaya per kWh (Rupiah)"
) +
theme_minimal()
### Penjelasan Sintaks:
- library(ggplot2) dan library(dplyr): Mengimpor library yang digunakan untuk visualisasi dan manipulasi data.
- data.frame(…): Membuat data simulasi yang terdiri dari 24 observasi, dengan variabel Konsumsi_GWh, Biaya_per_kWh, dan Konsumen.
- ggplot(…): Membuat kerangka visualisasi menggunakan ggplot2.
- aes(x, y, color = Konsumen): Menentukan sumbu X dan Y serta pewarnaan berdasarkan jenis konsumen.
- geom_point(size = 2): Menampilkan titik-titik data dengan ukuran tertentu.
- geom_smooth(…): Menambahkan garis regresi linear (tanpa shading se = FALSE) untuk masing-masing kelompok konsumen.
- scale_y_continuous(labels = scales::comma): Format label sumbu Y dengan pemisah ribuan (mis. 1,500).
- labs(…): Memberikan judul grafik dan label sumbu X dan Y.
- theme_minimal(): Memberikan tampilan minimalis dan bersih pada grafik.
Interpertasi:
- Grafik menunjukkan bahwa biaya per kWh cenderung menurun seiring peningkatan konsumsi listrik.
- Pola ini tampak konsisten di semua jenis konsumen: Rumah Tangga, Industri, Kantor Pemerintah, dan UMKM.
- Kelompok Industri dan UMKM memiliki tingkat konsumsi yang lebih tinggi namun mendapatkan biaya per kWh yang lebih rendah, menandakan adanya tarif insentif atau efisiensi skala.
- Sebaliknya, konsumen Rumah Tangga cenderung membayar tarif lebih tinggi per kWh, meskipun konsumsi mereka lebih rendah.