UTS PSD A
Rivaldo Rumimpunu
2025-04-21
1. Menganalisis data
library(readr)
data <- read.csv("C:/Users/ASUS/Downloads/heart (1).csv")
data## age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal
## 1 63 1 3 145 233 1 0 150 0 2.3 0 0 1
## 2 37 1 2 130 250 0 1 187 0 3.5 0 0 2
## 3 41 0 1 130 204 0 0 172 0 1.4 2 0 2
## 4 56 1 1 120 236 0 1 178 0 0.8 2 0 2
## 5 57 0 0 120 354 0 1 163 1 0.6 2 0 2
## 6 57 1 0 140 192 0 1 148 0 0.4 1 0 1
## 7 56 0 1 140 294 0 0 153 0 1.3 1 0 2
## 8 44 1 1 120 263 0 1 173 0 0.0 2 0 3
## 9 52 1 2 172 199 1 1 162 0 0.5 2 0 3
## 10 57 1 2 150 168 0 1 174 0 1.6 2 0 2
## 11 54 1 0 140 239 0 1 160 0 1.2 2 0 2
## 12 48 0 2 130 275 0 1 139 0 0.2 2 0 2
## 13 49 1 1 130 266 0 1 171 0 0.6 2 0 2
## 14 64 1 3 110 211 0 0 144 1 1.8 1 0 2
## 15 58 0 3 150 283 1 0 162 0 1.0 2 0 2
## 16 50 0 2 120 219 0 1 158 0 1.6 1 0 2
## 17 58 0 2 120 340 0 1 172 0 0.0 2 0 2
## 18 66 0 3 150 226 0 1 114 0 2.6 0 0 2
## 19 43 1 0 150 247 0 1 171 0 1.5 2 0 2
## 20 69 0 3 140 239 0 1 151 0 1.8 2 2 2
## 21 59 1 0 135 234 0 1 161 0 0.5 1 0 3
## 22 44 1 2 130 233 0 1 179 1 0.4 2 0 2
## 23 42 1 0 140 226 0 1 178 0 0.0 2 0 2
## 24 61 1 2 150 243 1 1 137 1 1.0 1 0 2
## 25 40 1 3 140 199 0 1 178 1 1.4 2 0 3
## 26 71 0 1 160 302 0 1 162 0 0.4 2 2 2
## 27 59 1 2 150 212 1 1 157 0 1.6 2 0 2
## 28 51 1 2 110 175 0 1 123 0 0.6 2 0 2
## 29 65 0 2 140 417 1 0 157 0 0.8 2 1 2
## 30 53 1 2 130 197 1 0 152 0 1.2 0 0 2
## 31 41 0 1 105 198 0 1 168 0 0.0 2 1 2
## 32 65 1 0 120 177 0 1 140 0 0.4 2 0 3
## 33 44 1 1 130 219 0 0 188 0 0.0 2 0 2
## 34 54 1 2 125 273 0 0 152 0 0.5 0 1 2
## 35 51 1 3 125 213 0 0 125 1 1.4 2 1 2
## 36 46 0 2 142 177 0 0 160 1 1.4 0 0 2
## 37 54 0 2 135 304 1 1 170 0 0.0 2 0 2
## 38 54 1 2 150 232 0 0 165 0 1.6 2 0 3
## 39 65 0 2 155 269 0 1 148 0 0.8 2 0 2
## 40 65 0 2 160 360 0 0 151 0 0.8 2 0 2
## 41 51 0 2 140 308 0 0 142 0 1.5 2 1 2
## 42 48 1 1 130 245 0 0 180 0 0.2 1 0 2
## 43 45 1 0 104 208 0 0 148 1 3.0 1 0 2
## 44 53 0 0 130 264 0 0 143 0 0.4 1 0 2
## 45 39 1 2 140 321 0 0 182 0 0.0 2 0 2
## 46 52 1 1 120 325 0 1 172 0 0.2 2 0 2
## 47 44 1 2 140 235 0 0 180 0 0.0 2 0 2
## 48 47 1 2 138 257 0 0 156 0 0.0 2 0 2
## 49 53 0 2 128 216 0 0 115 0 0.0 2 0 0
## 50 53 0 0 138 234 0 0 160 0 0.0 2 0 2
## 51 51 0 2 130 256 0 0 149 0 0.5 2 0 2
## 52 66 1 0 120 302 0 0 151 0 0.4 1 0 2
## 53 62 1 2 130 231 0 1 146 0 1.8 1 3 3
## 54 44 0 2 108 141 0 1 175 0 0.6 1 0 2
## 55 63 0 2 135 252 0 0 172 0 0.0 2 0 2
## 56 52 1 1 134 201 0 1 158 0 0.8 2 1 2
## 57 48 1 0 122 222 0 0 186 0 0.0 2 0 2
## 58 45 1 0 115 260 0 0 185 0 0.0 2 0 2
## 59 34 1 3 118 182 0 0 174 0 0.0 2 0 2
## 60 57 0 0 128 303 0 0 159 0 0.0 2 1 2
## 61 71 0 2 110 265 1 0 130 0 0.0 2 1 2
## 62 54 1 1 108 309 0 1 156 0 0.0 2 0 3
## 63 52 1 3 118 186 0 0 190 0 0.0 1 0 1
## 64 41 1 1 135 203 0 1 132 0 0.0 1 0 1
## 65 58 1 2 140 211 1 0 165 0 0.0 2 0 2
## 66 35 0 0 138 183 0 1 182 0 1.4 2 0 2
## 67 51 1 2 100 222 0 1 143 1 1.2 1 0 2
## 68 45 0 1 130 234 0 0 175 0 0.6 1 0 2
## 69 44 1 1 120 220 0 1 170 0 0.0 2 0 2
## 70 62 0 0 124 209 0 1 163 0 0.0 2 0 2
## 71 54 1 2 120 258 0 0 147 0 0.4 1 0 3
## 72 51 1 2 94 227 0 1 154 1 0.0 2 1 3
## 73 29 1 1 130 204 0 0 202 0 0.0 2 0 2
## 74 51 1 0 140 261 0 0 186 1 0.0 2 0 2
## 75 43 0 2 122 213 0 1 165 0 0.2 1 0 2
## 76 55 0 1 135 250 0 0 161 0 1.4 1 0 2
## 77 51 1 2 125 245 1 0 166 0 2.4 1 0 2
## 78 59 1 1 140 221 0 1 164 1 0.0 2 0 2
## 79 52 1 1 128 205 1 1 184 0 0.0 2 0 2
## 80 58 1 2 105 240 0 0 154 1 0.6 1 0 3
## 81 41 1 2 112 250 0 1 179 0 0.0 2 0 2
## 82 45 1 1 128 308 0 0 170 0 0.0 2 0 2
## 83 60 0 2 102 318 0 1 160 0 0.0 2 1 2
## 84 52 1 3 152 298 1 1 178 0 1.2 1 0 3
## 85 42 0 0 102 265 0 0 122 0 0.6 1 0 2
## 86 67 0 2 115 564 0 0 160 0 1.6 1 0 3
## 87 68 1 2 118 277 0 1 151 0 1.0 2 1 3
## 88 46 1 1 101 197 1 1 156 0 0.0 2 0 3
## 89 54 0 2 110 214 0 1 158 0 1.6 1 0 2
## 90 58 0 0 100 248 0 0 122 0 1.0 1 0 2
## 91 48 1 2 124 255 1 1 175 0 0.0 2 2 2
## 92 57 1 0 132 207 0 1 168 1 0.0 2 0 3
## 93 52 1 2 138 223 0 1 169 0 0.0 2 4 2
## 94 54 0 1 132 288 1 0 159 1 0.0 2 1 2
## 95 45 0 1 112 160 0 1 138 0 0.0 1 0 2
## 96 53 1 0 142 226 0 0 111 1 0.0 2 0 3
## 97 62 0 0 140 394 0 0 157 0 1.2 1 0 2
## 98 52 1 0 108 233 1 1 147 0 0.1 2 3 3
## 99 43 1 2 130 315 0 1 162 0 1.9 2 1 2
## 100 53 1 2 130 246 1 0 173 0 0.0 2 3 2
## 101 42 1 3 148 244 0 0 178 0 0.8 2 2 2
## 102 59 1 3 178 270 0 0 145 0 4.2 0 0 3
## 103 63 0 1 140 195 0 1 179 0 0.0 2 2 2
## 104 42 1 2 120 240 1 1 194 0 0.8 0 0 3
## 105 50 1 2 129 196 0 1 163 0 0.0 2 0 2
## 106 68 0 2 120 211 0 0 115 0 1.5 1 0 2
## 107 69 1 3 160 234 1 0 131 0 0.1 1 1 2
## 108 45 0 0 138 236 0 0 152 1 0.2 1 0 2
## 109 50 0 1 120 244 0 1 162 0 1.1 2 0 2
## 110 50 0 0 110 254 0 0 159 0 0.0 2 0 2
## 111 64 0 0 180 325 0 1 154 1 0.0 2 0 2
## 112 57 1 2 150 126 1 1 173 0 0.2 2 1 3
## 113 64 0 2 140 313 0 1 133 0 0.2 2 0 3
## 114 43 1 0 110 211 0 1 161 0 0.0 2 0 3
## 115 55 1 1 130 262 0 1 155 0 0.0 2 0 2
## 116 37 0 2 120 215 0 1 170 0 0.0 2 0 2
## 117 41 1 2 130 214 0 0 168 0 2.0 1 0 2
## 118 56 1 3 120 193 0 0 162 0 1.9 1 0 3
## 119 46 0 1 105 204 0 1 172 0 0.0 2 0 2
## 120 46 0 0 138 243 0 0 152 1 0.0 1 0 2
## 121 64 0 0 130 303 0 1 122 0 2.0 1 2 2
## 122 59 1 0 138 271 0 0 182 0 0.0 2 0 2
## 123 41 0 2 112 268 0 0 172 1 0.0 2 0 2
## 124 54 0 2 108 267 0 0 167 0 0.0 2 0 2
## 125 39 0 2 94 199 0 1 179 0 0.0 2 0 2
## 126 34 0 1 118 210 0 1 192 0 0.7 2 0 2
## 127 47 1 0 112 204 0 1 143 0 0.1 2 0 2
## 128 67 0 2 152 277 0 1 172 0 0.0 2 1 2
## 129 52 0 2 136 196 0 0 169 0 0.1 1 0 2
## 130 74 0 1 120 269 0 0 121 1 0.2 2 1 2
## 131 54 0 2 160 201 0 1 163 0 0.0 2 1 2
## 132 49 0 1 134 271 0 1 162 0 0.0 1 0 2
## 133 42 1 1 120 295 0 1 162 0 0.0 2 0 2
## 134 41 1 1 110 235 0 1 153 0 0.0 2 0 2
## 135 41 0 1 126 306 0 1 163 0 0.0 2 0 2
## 136 49 0 0 130 269 0 1 163 0 0.0 2 0 2
## 137 60 0 2 120 178 1 1 96 0 0.0 2 0 2
## 138 62 1 1 128 208 1 0 140 0 0.0 2 0 2
## 139 57 1 0 110 201 0 1 126 1 1.5 1 0 1
## 140 64 1 0 128 263 0 1 105 1 0.2 1 1 3
## 141 51 0 2 120 295 0 0 157 0 0.6 2 0 2
## 142 43 1 0 115 303 0 1 181 0 1.2 1 0 2
## 143 42 0 2 120 209 0 1 173 0 0.0 1 0 2
## 144 67 0 0 106 223 0 1 142 0 0.3 2 2 2
## 145 76 0 2 140 197 0 2 116 0 1.1 1 0 2
## 146 70 1 1 156 245 0 0 143 0 0.0 2 0 2
## 147 44 0 2 118 242 0 1 149 0 0.3 1 1 2
## 148 60 0 3 150 240 0 1 171 0 0.9 2 0 2
## 149 44 1 2 120 226 0 1 169 0 0.0 2 0 2
## 150 42 1 2 130 180 0 1 150 0 0.0 2 0 2
## 151 66 1 0 160 228 0 0 138 0 2.3 2 0 1
## 152 71 0 0 112 149 0 1 125 0 1.6 1 0 2
## 153 64 1 3 170 227 0 0 155 0 0.6 1 0 3
## 154 66 0 2 146 278 0 0 152 0 0.0 1 1 2
## 155 39 0 2 138 220 0 1 152 0 0.0 1 0 2
## 156 58 0 0 130 197 0 1 131 0 0.6 1 0 2
## 157 47 1 2 130 253 0 1 179 0 0.0 2 0 2
## 158 35 1 1 122 192 0 1 174 0 0.0 2 0 2
## 159 58 1 1 125 220 0 1 144 0 0.4 1 4 3
## 160 56 1 1 130 221 0 0 163 0 0.0 2 0 3
## 161 56 1 1 120 240 0 1 169 0 0.0 0 0 2
## 162 55 0 1 132 342 0 1 166 0 1.2 2 0 2
## 163 41 1 1 120 157 0 1 182 0 0.0 2 0 2
## 164 38 1 2 138 175 0 1 173 0 0.0 2 4 2
## 165 38 1 2 138 175 0 1 173 0 0.0 2 4 2
## 166 67 1 0 160 286 0 0 108 1 1.5 1 3 2
## 167 67 1 0 120 229 0 0 129 1 2.6 1 2 3
## 168 62 0 0 140 268 0 0 160 0 3.6 0 2 2
## 169 63 1 0 130 254 0 0 147 0 1.4 1 1 3
## 170 53 1 0 140 203 1 0 155 1 3.1 0 0 3
## 171 56 1 2 130 256 1 0 142 1 0.6 1 1 1
## 172 48 1 1 110 229 0 1 168 0 1.0 0 0 3
## 173 58 1 1 120 284 0 0 160 0 1.8 1 0 2
## 174 58 1 2 132 224 0 0 173 0 3.2 2 2 3
## 175 60 1 0 130 206 0 0 132 1 2.4 1 2 3
## 176 40 1 0 110 167 0 0 114 1 2.0 1 0 3
## 177 60 1 0 117 230 1 1 160 1 1.4 2 2 3
## 178 64 1 2 140 335 0 1 158 0 0.0 2 0 2
## 179 43 1 0 120 177 0 0 120 1 2.5 1 0 3
## 180 57 1 0 150 276 0 0 112 1 0.6 1 1 1
## 181 55 1 0 132 353 0 1 132 1 1.2 1 1 3
## 182 65 0 0 150 225 0 0 114 0 1.0 1 3 3
## 183 61 0 0 130 330 0 0 169 0 0.0 2 0 2
## 184 58 1 2 112 230 0 0 165 0 2.5 1 1 3
## 185 50 1 0 150 243 0 0 128 0 2.6 1 0 3
## 186 44 1 0 112 290 0 0 153 0 0.0 2 1 2
## 187 60 1 0 130 253 0 1 144 1 1.4 2 1 3
## 188 54 1 0 124 266 0 0 109 1 2.2 1 1 3
## 189 50 1 2 140 233 0 1 163 0 0.6 1 1 3
## 190 41 1 0 110 172 0 0 158 0 0.0 2 0 3
## 191 51 0 0 130 305 0 1 142 1 1.2 1 0 3
## 192 58 1 0 128 216 0 0 131 1 2.2 1 3 3
## 193 54 1 0 120 188 0 1 113 0 1.4 1 1 3
## 194 60 1 0 145 282 0 0 142 1 2.8 1 2 3
## 195 60 1 2 140 185 0 0 155 0 3.0 1 0 2
## 196 59 1 0 170 326 0 0 140 1 3.4 0 0 3
## 197 46 1 2 150 231 0 1 147 0 3.6 1 0 2
## 198 67 1 0 125 254 1 1 163 0 0.2 1 2 3
## 199 62 1 0 120 267 0 1 99 1 1.8 1 2 3
## 200 65 1 0 110 248 0 0 158 0 0.6 2 2 1
## 201 44 1 0 110 197 0 0 177 0 0.0 2 1 2
## 202 60 1 0 125 258 0 0 141 1 2.8 1 1 3
## 203 58 1 0 150 270 0 0 111 1 0.8 2 0 3
## 204 68 1 2 180 274 1 0 150 1 1.6 1 0 3
## 205 62 0 0 160 164 0 0 145 0 6.2 0 3 3
## 206 52 1 0 128 255 0 1 161 1 0.0 2 1 3
## 207 59 1 0 110 239 0 0 142 1 1.2 1 1 3
## 208 60 0 0 150 258 0 0 157 0 2.6 1 2 3
## 209 49 1 2 120 188 0 1 139 0 2.0 1 3 3
## 210 59 1 0 140 177 0 1 162 1 0.0 2 1 3
## 211 57 1 2 128 229 0 0 150 0 0.4 1 1 3
## 212 61 1 0 120 260 0 1 140 1 3.6 1 1 3
## 213 39 1 0 118 219 0 1 140 0 1.2 1 0 3
## 214 61 0 0 145 307 0 0 146 1 1.0 1 0 3
## 215 56 1 0 125 249 1 0 144 1 1.2 1 1 2
## 216 43 0 0 132 341 1 0 136 1 3.0 1 0 3
## 217 62 0 2 130 263 0 1 97 0 1.2 1 1 3
## 218 63 1 0 130 330 1 0 132 1 1.8 2 3 3
## 219 65 1 0 135 254 0 0 127 0 2.8 1 1 3
## 220 48 1 0 130 256 1 0 150 1 0.0 2 2 3
## 221 63 0 0 150 407 0 0 154 0 4.0 1 3 3
## 222 55 1 0 140 217 0 1 111 1 5.6 0 0 3
## 223 65 1 3 138 282 1 0 174 0 1.4 1 1 2
## 224 56 0 0 200 288 1 0 133 1 4.0 0 2 3
## 225 54 1 0 110 239 0 1 126 1 2.8 1 1 3
## 226 70 1 0 145 174 0 1 125 1 2.6 0 0 3
## 227 62 1 1 120 281 0 0 103 0 1.4 1 1 3
## 228 35 1 0 120 198 0 1 130 1 1.6 1 0 3
## 229 59 1 3 170 288 0 0 159 0 0.2 1 0 3
## 230 64 1 2 125 309 0 1 131 1 1.8 1 0 3
## 231 47 1 2 108 243 0 1 152 0 0.0 2 0 2
## 232 57 1 0 165 289 1 0 124 0 1.0 1 3 3
## 233 55 1 0 160 289 0 0 145 1 0.8 1 1 3
## 234 64 1 0 120 246 0 0 96 1 2.2 0 1 2
## 235 70 1 0 130 322 0 0 109 0 2.4 1 3 2
## 236 51 1 0 140 299 0 1 173 1 1.6 2 0 3
## 237 58 1 0 125 300 0 0 171 0 0.0 2 2 3
## 238 60 1 0 140 293 0 0 170 0 1.2 1 2 3
## 239 77 1 0 125 304 0 0 162 1 0.0 2 3 2
## 240 35 1 0 126 282 0 0 156 1 0.0 2 0 3
## 241 70 1 2 160 269 0 1 112 1 2.9 1 1 3
## 242 59 0 0 174 249 0 1 143 1 0.0 1 0 2
## 243 64 1 0 145 212 0 0 132 0 2.0 1 2 1
## 244 57 1 0 152 274 0 1 88 1 1.2 1 1 3
## 245 56 1 0 132 184 0 0 105 1 2.1 1 1 1
## 246 48 1 0 124 274 0 0 166 0 0.5 1 0 3
## 247 56 0 0 134 409 0 0 150 1 1.9 1 2 3
## 248 66 1 1 160 246 0 1 120 1 0.0 1 3 1
## 249 54 1 1 192 283 0 0 195 0 0.0 2 1 3
## 250 69 1 2 140 254 0 0 146 0 2.0 1 3 3
## 251 51 1 0 140 298 0 1 122 1 4.2 1 3 3
## 252 43 1 0 132 247 1 0 143 1 0.1 1 4 3
## 253 62 0 0 138 294 1 1 106 0 1.9 1 3 2
## 254 67 1 0 100 299 0 0 125 1 0.9 1 2 2
## 255 59 1 3 160 273 0 0 125 0 0.0 2 0 2
## 256 45 1 0 142 309 0 0 147 1 0.0 1 3 3
## 257 58 1 0 128 259 0 0 130 1 3.0 1 2 3
## 258 50 1 0 144 200 0 0 126 1 0.9 1 0 3
## 259 62 0 0 150 244 0 1 154 1 1.4 1 0 2
## 260 38 1 3 120 231 0 1 182 1 3.8 1 0 3
## 261 66 0 0 178 228 1 1 165 1 1.0 1 2 3
## 262 52 1 0 112 230 0 1 160 0 0.0 2 1 2
## 263 53 1 0 123 282 0 1 95 1 2.0 1 2 3
## 264 63 0 0 108 269 0 1 169 1 1.8 1 2 2
## 265 54 1 0 110 206 0 0 108 1 0.0 1 1 2
## 266 66 1 0 112 212 0 0 132 1 0.1 2 1 2
## 267 55 0 0 180 327 0 2 117 1 3.4 1 0 2
## 268 49 1 2 118 149 0 0 126 0 0.8 2 3 2
## 269 54 1 0 122 286 0 0 116 1 3.2 1 2 2
## 270 56 1 0 130 283 1 0 103 1 1.6 0 0 3
## 271 46 1 0 120 249 0 0 144 0 0.8 2 0 3
## 272 61 1 3 134 234 0 1 145 0 2.6 1 2 2
## 273 67 1 0 120 237 0 1 71 0 1.0 1 0 2
## 274 58 1 0 100 234 0 1 156 0 0.1 2 1 3
## 275 47 1 0 110 275 0 0 118 1 1.0 1 1 2
## 276 52 1 0 125 212 0 1 168 0 1.0 2 2 3
## 277 58 1 0 146 218 0 1 105 0 2.0 1 1 3
## 278 57 1 1 124 261 0 1 141 0 0.3 2 0 3
## 279 58 0 1 136 319 1 0 152 0 0.0 2 2 2
## 280 61 1 0 138 166 0 0 125 1 3.6 1 1 2
## 281 42 1 0 136 315 0 1 125 1 1.8 1 0 1
## 282 52 1 0 128 204 1 1 156 1 1.0 1 0 0
## 283 59 1 2 126 218 1 1 134 0 2.2 1 1 1
## 284 40 1 0 152 223 0 1 181 0 0.0 2 0 3
## 285 61 1 0 140 207 0 0 138 1 1.9 2 1 3
## 286 46 1 0 140 311 0 1 120 1 1.8 1 2 3
## 287 59 1 3 134 204 0 1 162 0 0.8 2 2 2
## 288 57 1 1 154 232 0 0 164 0 0.0 2 1 2
## 289 57 1 0 110 335 0 1 143 1 3.0 1 1 3
## 290 55 0 0 128 205 0 2 130 1 2.0 1 1 3
## 291 61 1 0 148 203 0 1 161 0 0.0 2 1 3
## 292 58 1 0 114 318 0 2 140 0 4.4 0 3 1
## 293 58 0 0 170 225 1 0 146 1 2.8 1 2 1
## 294 67 1 2 152 212 0 0 150 0 0.8 1 0 3
## 295 44 1 0 120 169 0 1 144 1 2.8 0 0 1
## 296 63 1 0 140 187 0 0 144 1 4.0 2 2 3
## 297 63 0 0 124 197 0 1 136 1 0.0 1 0 2
## 298 59 1 0 164 176 1 0 90 0 1.0 1 2 1
## 299 57 0 0 140 241 0 1 123 1 0.2 1 0 3
## 300 45 1 3 110 264 0 1 132 0 1.2 1 0 3
## 301 68 1 0 144 193 1 1 141 0 3.4 1 2 3
## 302 57 1 0 130 131 0 1 115 1 1.2 1 1 3
## 303 57 0 1 130 236 0 0 174 0 0.0 1 1 2
## target
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## 7 1
## 8 1
## 9 1
## 10 1
## 11 1
## 12 1
## 13 1
## 14 1
## 15 1
## 16 1
## 17 1
## 18 1
## 19 1
## 20 1
## 21 1
## 22 1
## 23 1
## 24 1
## 25 1
## 26 1
## 27 1
## 28 1
## 29 1
## 30 1
## 31 1
## 32 1
## 33 1
## 34 1
## 35 1
## 36 1
## 37 1
## 38 1
## 39 1
## 40 1
## 41 1
## 42 1
## 43 1
## 44 1
## 45 1
## 46 1
## 47 1
## 48 1
## 49 1
## 50 1
## 51 1
## 52 1
## 53 1
## 54 1
## 55 1
## 56 1
## 57 1
## 58 1
## 59 1
## 60 1
## 61 1
## 62 1
## 63 1
## 64 1
## 65 1
## 66 1
## 67 1
## 68 1
## 69 1
## 70 1
## 71 1
## 72 1
## 73 1
## 74 1
## 75 1
## 76 1
## 77 1
## 78 1
## 79 1
## 80 1
## 81 1
## 82 1
## 83 1
## 84 1
## 85 1
## 86 1
## 87 1
## 88 1
## 89 1
## 90 1
## 91 1
## 92 1
## 93 1
## 94 1
## 95 1
## 96 1
## 97 1
## 98 1
## 99 1
## 100 1
## 101 1
## 102 1
## 103 1
## 104 1
## 105 1
## 106 1
## 107 1
## 108 1
## 109 1
## 110 1
## 111 1
## 112 1
## 113 1
## 114 1
## 115 1
## 116 1
## 117 1
## 118 1
## 119 1
## 120 1
## 121 1
## 122 1
## 123 1
## 124 1
## 125 1
## 126 1
## 127 1
## 128 1
## 129 1
## 130 1
## 131 1
## 132 1
## 133 1
## 134 1
## 135 1
## 136 1
## 137 1
## 138 1
## 139 1
## 140 1
## 141 1
## 142 1
## 143 1
## 144 1
## 145 1
## 146 1
## 147 1
## 148 1
## 149 1
## 150 1
## 151 1
## 152 1
## 153 1
## 154 1
## 155 1
## 156 1
## 157 1
## 158 1
## 159 1
## 160 1
## 161 1
## 162 1
## 163 1
## 164 1
## 165 1
## 166 0
## 167 0
## 168 0
## 169 0
## 170 0
## 171 0
## 172 0
## 173 0
## 174 0
## 175 0
## 176 0
## 177 0
## 178 0
## 179 0
## 180 0
## 181 0
## 182 0
## 183 0
## 184 0
## 185 0
## 186 0
## 187 0
## 188 0
## 189 0
## 190 0
## 191 0
## 192 0
## 193 0
## 194 0
## 195 0
## 196 0
## 197 0
## 198 0
## 199 0
## 200 0
## 201 0
## 202 0
## 203 0
## 204 0
## 205 0
## 206 0
## 207 0
## 208 0
## 209 0
## 210 0
## 211 0
## 212 0
## 213 0
## 214 0
## 215 0
## 216 0
## 217 0
## 218 0
## 219 0
## 220 0
## 221 0
## 222 0
## 223 0
## 224 0
## 225 0
## 226 0
## 227 0
## 228 0
## 229 0
## 230 0
## 231 0
## 232 0
## 233 0
## 234 0
## 235 0
## 236 0
## 237 0
## 238 0
## 239 0
## 240 0
## 241 0
## 242 0
## 243 0
## 244 0
## 245 0
## 246 0
## 247 0
## 248 0
## 249 0
## 250 0
## 251 0
## 252 0
## 253 0
## 254 0
## 255 0
## 256 0
## 257 0
## 258 0
## 259 0
## 260 0
## 261 0
## 262 0
## 263 0
## 264 0
## 265 0
## 266 0
## 267 0
## 268 0
## 269 0
## 270 0
## 271 0
## 272 0
## 273 0
## 274 0
## 275 0
## 276 0
## 277 0
## 278 0
## 279 0
## 280 0
## 281 0
## 282 0
## 283 0
## 284 0
## 285 0
## 286 0
## 287 0
## 288 0
## 289 0
## 290 0
## 291 0
## 292 0
## 293 0
## 294 0
## 295 0
## 296 0
## 297 0
## 298 0
## 299 0
## 300 0
## 301 0
## 302 0
## 303 0a. Lakukan pengecekan apakah terdapat:
##Mengecek missing value
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 0Gunakan ColSums(is.na(data)) untuk menjumlahkan nilai yang hilang dari setiap kolom, jika ada beberapa yang missing value lebih baik dihapus karena data medis merupakan data yang sensitif, namun dari data yang diberikan tidak ada missing value
##Mengecek data duplikat
sum(duplicated(data))## [1] 1Kemudian untuk mengecek data yang ganda bisa menggunakan fungsi sum(duplicated(data)) untuk menjumlahkan total data yang duplikat, dan segera di hapus karena bisa membuat bias. ##Mengahpus data duplikat
data <- data[!duplicated(data), ]
data## age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal
## 1 63 1 3 145 233 1 0 150 0 2.3 0 0 1
## 2 37 1 2 130 250 0 1 187 0 3.5 0 0 2
## 3 41 0 1 130 204 0 0 172 0 1.4 2 0 2
## 4 56 1 1 120 236 0 1 178 0 0.8 2 0 2
## 5 57 0 0 120 354 0 1 163 1 0.6 2 0 2
## 6 57 1 0 140 192 0 1 148 0 0.4 1 0 1
## 7 56 0 1 140 294 0 0 153 0 1.3 1 0 2
## 8 44 1 1 120 263 0 1 173 0 0.0 2 0 3
## 9 52 1 2 172 199 1 1 162 0 0.5 2 0 3
## 10 57 1 2 150 168 0 1 174 0 1.6 2 0 2
## 11 54 1 0 140 239 0 1 160 0 1.2 2 0 2
## 12 48 0 2 130 275 0 1 139 0 0.2 2 0 2
## 13 49 1 1 130 266 0 1 171 0 0.6 2 0 2
## 14 64 1 3 110 211 0 0 144 1 1.8 1 0 2
## 15 58 0 3 150 283 1 0 162 0 1.0 2 0 2
## 16 50 0 2 120 219 0 1 158 0 1.6 1 0 2
## 17 58 0 2 120 340 0 1 172 0 0.0 2 0 2
## 18 66 0 3 150 226 0 1 114 0 2.6 0 0 2
## 19 43 1 0 150 247 0 1 171 0 1.5 2 0 2
## 20 69 0 3 140 239 0 1 151 0 1.8 2 2 2
## 21 59 1 0 135 234 0 1 161 0 0.5 1 0 3
## 22 44 1 2 130 233 0 1 179 1 0.4 2 0 2
## 23 42 1 0 140 226 0 1 178 0 0.0 2 0 2
## 24 61 1 2 150 243 1 1 137 1 1.0 1 0 2
## 25 40 1 3 140 199 0 1 178 1 1.4 2 0 3
## 26 71 0 1 160 302 0 1 162 0 0.4 2 2 2
## 27 59 1 2 150 212 1 1 157 0 1.6 2 0 2
## 28 51 1 2 110 175 0 1 123 0 0.6 2 0 2
## 29 65 0 2 140 417 1 0 157 0 0.8 2 1 2
## 30 53 1 2 130 197 1 0 152 0 1.2 0 0 2
## 31 41 0 1 105 198 0 1 168 0 0.0 2 1 2
## 32 65 1 0 120 177 0 1 140 0 0.4 2 0 3
## 33 44 1 1 130 219 0 0 188 0 0.0 2 0 2
## 34 54 1 2 125 273 0 0 152 0 0.5 0 1 2
## 35 51 1 3 125 213 0 0 125 1 1.4 2 1 2
## 36 46 0 2 142 177 0 0 160 1 1.4 0 0 2
## 37 54 0 2 135 304 1 1 170 0 0.0 2 0 2
## 38 54 1 2 150 232 0 0 165 0 1.6 2 0 3
## 39 65 0 2 155 269 0 1 148 0 0.8 2 0 2
## 40 65 0 2 160 360 0 0 151 0 0.8 2 0 2
## 41 51 0 2 140 308 0 0 142 0 1.5 2 1 2
## 42 48 1 1 130 245 0 0 180 0 0.2 1 0 2
## 43 45 1 0 104 208 0 0 148 1 3.0 1 0 2
## 44 53 0 0 130 264 0 0 143 0 0.4 1 0 2
## 45 39 1 2 140 321 0 0 182 0 0.0 2 0 2
## 46 52 1 1 120 325 0 1 172 0 0.2 2 0 2
## 47 44 1 2 140 235 0 0 180 0 0.0 2 0 2
## 48 47 1 2 138 257 0 0 156 0 0.0 2 0 2
## 49 53 0 2 128 216 0 0 115 0 0.0 2 0 0
## 50 53 0 0 138 234 0 0 160 0 0.0 2 0 2
## 51 51 0 2 130 256 0 0 149 0 0.5 2 0 2
## 52 66 1 0 120 302 0 0 151 0 0.4 1 0 2
## 53 62 1 2 130 231 0 1 146 0 1.8 1 3 3
## 54 44 0 2 108 141 0 1 175 0 0.6 1 0 2
## 55 63 0 2 135 252 0 0 172 0 0.0 2 0 2
## 56 52 1 1 134 201 0 1 158 0 0.8 2 1 2
## 57 48 1 0 122 222 0 0 186 0 0.0 2 0 2
## 58 45 1 0 115 260 0 0 185 0 0.0 2 0 2
## 59 34 1 3 118 182 0 0 174 0 0.0 2 0 2
## 60 57 0 0 128 303 0 0 159 0 0.0 2 1 2
## 61 71 0 2 110 265 1 0 130 0 0.0 2 1 2
## 62 54 1 1 108 309 0 1 156 0 0.0 2 0 3
## 63 52 1 3 118 186 0 0 190 0 0.0 1 0 1
## 64 41 1 1 135 203 0 1 132 0 0.0 1 0 1
## 65 58 1 2 140 211 1 0 165 0 0.0 2 0 2
## 66 35 0 0 138 183 0 1 182 0 1.4 2 0 2
## 67 51 1 2 100 222 0 1 143 1 1.2 1 0 2
## 68 45 0 1 130 234 0 0 175 0 0.6 1 0 2
## 69 44 1 1 120 220 0 1 170 0 0.0 2 0 2
## 70 62 0 0 124 209 0 1 163 0 0.0 2 0 2
## 71 54 1 2 120 258 0 0 147 0 0.4 1 0 3
## 72 51 1 2 94 227 0 1 154 1 0.0 2 1 3
## 73 29 1 1 130 204 0 0 202 0 0.0 2 0 2
## 74 51 1 0 140 261 0 0 186 1 0.0 2 0 2
## 75 43 0 2 122 213 0 1 165 0 0.2 1 0 2
## 76 55 0 1 135 250 0 0 161 0 1.4 1 0 2
## 77 51 1 2 125 245 1 0 166 0 2.4 1 0 2
## 78 59 1 1 140 221 0 1 164 1 0.0 2 0 2
## 79 52 1 1 128 205 1 1 184 0 0.0 2 0 2
## 80 58 1 2 105 240 0 0 154 1 0.6 1 0 3
## 81 41 1 2 112 250 0 1 179 0 0.0 2 0 2
## 82 45 1 1 128 308 0 0 170 0 0.0 2 0 2
## 83 60 0 2 102 318 0 1 160 0 0.0 2 1 2
## 84 52 1 3 152 298 1 1 178 0 1.2 1 0 3
## 85 42 0 0 102 265 0 0 122 0 0.6 1 0 2
## 86 67 0 2 115 564 0 0 160 0 1.6 1 0 3
## 87 68 1 2 118 277 0 1 151 0 1.0 2 1 3
## 88 46 1 1 101 197 1 1 156 0 0.0 2 0 3
## 89 54 0 2 110 214 0 1 158 0 1.6 1 0 2
## 90 58 0 0 100 248 0 0 122 0 1.0 1 0 2
## 91 48 1 2 124 255 1 1 175 0 0.0 2 2 2
## 92 57 1 0 132 207 0 1 168 1 0.0 2 0 3
## 93 52 1 2 138 223 0 1 169 0 0.0 2 4 2
## 94 54 0 1 132 288 1 0 159 1 0.0 2 1 2
## 95 45 0 1 112 160 0 1 138 0 0.0 1 0 2
## 96 53 1 0 142 226 0 0 111 1 0.0 2 0 3
## 97 62 0 0 140 394 0 0 157 0 1.2 1 0 2
## 98 52 1 0 108 233 1 1 147 0 0.1 2 3 3
## 99 43 1 2 130 315 0 1 162 0 1.9 2 1 2
## 100 53 1 2 130 246 1 0 173 0 0.0 2 3 2
## 101 42 1 3 148 244 0 0 178 0 0.8 2 2 2
## 102 59 1 3 178 270 0 0 145 0 4.2 0 0 3
## 103 63 0 1 140 195 0 1 179 0 0.0 2 2 2
## 104 42 1 2 120 240 1 1 194 0 0.8 0 0 3
## 105 50 1 2 129 196 0 1 163 0 0.0 2 0 2
## 106 68 0 2 120 211 0 0 115 0 1.5 1 0 2
## 107 69 1 3 160 234 1 0 131 0 0.1 1 1 2
## 108 45 0 0 138 236 0 0 152 1 0.2 1 0 2
## 109 50 0 1 120 244 0 1 162 0 1.1 2 0 2
## 110 50 0 0 110 254 0 0 159 0 0.0 2 0 2
## 111 64 0 0 180 325 0 1 154 1 0.0 2 0 2
## 112 57 1 2 150 126 1 1 173 0 0.2 2 1 3
## 113 64 0 2 140 313 0 1 133 0 0.2 2 0 3
## 114 43 1 0 110 211 0 1 161 0 0.0 2 0 3
## 115 55 1 1 130 262 0 1 155 0 0.0 2 0 2
## 116 37 0 2 120 215 0 1 170 0 0.0 2 0 2
## 117 41 1 2 130 214 0 0 168 0 2.0 1 0 2
## 118 56 1 3 120 193 0 0 162 0 1.9 1 0 3
## 119 46 0 1 105 204 0 1 172 0 0.0 2 0 2
## 120 46 0 0 138 243 0 0 152 1 0.0 1 0 2
## 121 64 0 0 130 303 0 1 122 0 2.0 1 2 2
## 122 59 1 0 138 271 0 0 182 0 0.0 2 0 2
## 123 41 0 2 112 268 0 0 172 1 0.0 2 0 2
## 124 54 0 2 108 267 0 0 167 0 0.0 2 0 2
## 125 39 0 2 94 199 0 1 179 0 0.0 2 0 2
## 126 34 0 1 118 210 0 1 192 0 0.7 2 0 2
## 127 47 1 0 112 204 0 1 143 0 0.1 2 0 2
## 128 67 0 2 152 277 0 1 172 0 0.0 2 1 2
## 129 52 0 2 136 196 0 0 169 0 0.1 1 0 2
## 130 74 0 1 120 269 0 0 121 1 0.2 2 1 2
## 131 54 0 2 160 201 0 1 163 0 0.0 2 1 2
## 132 49 0 1 134 271 0 1 162 0 0.0 1 0 2
## 133 42 1 1 120 295 0 1 162 0 0.0 2 0 2
## 134 41 1 1 110 235 0 1 153 0 0.0 2 0 2
## 135 41 0 1 126 306 0 1 163 0 0.0 2 0 2
## 136 49 0 0 130 269 0 1 163 0 0.0 2 0 2
## 137 60 0 2 120 178 1 1 96 0 0.0 2 0 2
## 138 62 1 1 128 208 1 0 140 0 0.0 2 0 2
## 139 57 1 0 110 201 0 1 126 1 1.5 1 0 1
## 140 64 1 0 128 263 0 1 105 1 0.2 1 1 3
## 141 51 0 2 120 295 0 0 157 0 0.6 2 0 2
## 142 43 1 0 115 303 0 1 181 0 1.2 1 0 2
## 143 42 0 2 120 209 0 1 173 0 0.0 1 0 2
## 144 67 0 0 106 223 0 1 142 0 0.3 2 2 2
## 145 76 0 2 140 197 0 2 116 0 1.1 1 0 2
## 146 70 1 1 156 245 0 0 143 0 0.0 2 0 2
## 147 44 0 2 118 242 0 1 149 0 0.3 1 1 2
## 148 60 0 3 150 240 0 1 171 0 0.9 2 0 2
## 149 44 1 2 120 226 0 1 169 0 0.0 2 0 2
## 150 42 1 2 130 180 0 1 150 0 0.0 2 0 2
## 151 66 1 0 160 228 0 0 138 0 2.3 2 0 1
## 152 71 0 0 112 149 0 1 125 0 1.6 1 0 2
## 153 64 1 3 170 227 0 0 155 0 0.6 1 0 3
## 154 66 0 2 146 278 0 0 152 0 0.0 1 1 2
## 155 39 0 2 138 220 0 1 152 0 0.0 1 0 2
## 156 58 0 0 130 197 0 1 131 0 0.6 1 0 2
## 157 47 1 2 130 253 0 1 179 0 0.0 2 0 2
## 158 35 1 1 122 192 0 1 174 0 0.0 2 0 2
## 159 58 1 1 125 220 0 1 144 0 0.4 1 4 3
## 160 56 1 1 130 221 0 0 163 0 0.0 2 0 3
## 161 56 1 1 120 240 0 1 169 0 0.0 0 0 2
## 162 55 0 1 132 342 0 1 166 0 1.2 2 0 2
## 163 41 1 1 120 157 0 1 182 0 0.0 2 0 2
## 164 38 1 2 138 175 0 1 173 0 0.0 2 4 2
## 166 67 1 0 160 286 0 0 108 1 1.5 1 3 2
## 167 67 1 0 120 229 0 0 129 1 2.6 1 2 3
## 168 62 0 0 140 268 0 0 160 0 3.6 0 2 2
## 169 63 1 0 130 254 0 0 147 0 1.4 1 1 3
## 170 53 1 0 140 203 1 0 155 1 3.1 0 0 3
## 171 56 1 2 130 256 1 0 142 1 0.6 1 1 1
## 172 48 1 1 110 229 0 1 168 0 1.0 0 0 3
## 173 58 1 1 120 284 0 0 160 0 1.8 1 0 2
## 174 58 1 2 132 224 0 0 173 0 3.2 2 2 3
## 175 60 1 0 130 206 0 0 132 1 2.4 1 2 3
## 176 40 1 0 110 167 0 0 114 1 2.0 1 0 3
## 177 60 1 0 117 230 1 1 160 1 1.4 2 2 3
## 178 64 1 2 140 335 0 1 158 0 0.0 2 0 2
## 179 43 1 0 120 177 0 0 120 1 2.5 1 0 3
## 180 57 1 0 150 276 0 0 112 1 0.6 1 1 1
## 181 55 1 0 132 353 0 1 132 1 1.2 1 1 3
## 182 65 0 0 150 225 0 0 114 0 1.0 1 3 3
## 183 61 0 0 130 330 0 0 169 0 0.0 2 0 2
## 184 58 1 2 112 230 0 0 165 0 2.5 1 1 3
## 185 50 1 0 150 243 0 0 128 0 2.6 1 0 3
## 186 44 1 0 112 290 0 0 153 0 0.0 2 1 2
## 187 60 1 0 130 253 0 1 144 1 1.4 2 1 3
## 188 54 1 0 124 266 0 0 109 1 2.2 1 1 3
## 189 50 1 2 140 233 0 1 163 0 0.6 1 1 3
## 190 41 1 0 110 172 0 0 158 0 0.0 2 0 3
## 191 51 0 0 130 305 0 1 142 1 1.2 1 0 3
## 192 58 1 0 128 216 0 0 131 1 2.2 1 3 3
## 193 54 1 0 120 188 0 1 113 0 1.4 1 1 3
## 194 60 1 0 145 282 0 0 142 1 2.8 1 2 3
## 195 60 1 2 140 185 0 0 155 0 3.0 1 0 2
## 196 59 1 0 170 326 0 0 140 1 3.4 0 0 3
## 197 46 1 2 150 231 0 1 147 0 3.6 1 0 2
## 198 67 1 0 125 254 1 1 163 0 0.2 1 2 3
## 199 62 1 0 120 267 0 1 99 1 1.8 1 2 3
## 200 65 1 0 110 248 0 0 158 0 0.6 2 2 1
## 201 44 1 0 110 197 0 0 177 0 0.0 2 1 2
## 202 60 1 0 125 258 0 0 141 1 2.8 1 1 3
## 203 58 1 0 150 270 0 0 111 1 0.8 2 0 3
## 204 68 1 2 180 274 1 0 150 1 1.6 1 0 3
## 205 62 0 0 160 164 0 0 145 0 6.2 0 3 3
## 206 52 1 0 128 255 0 1 161 1 0.0 2 1 3
## 207 59 1 0 110 239 0 0 142 1 1.2 1 1 3
## 208 60 0 0 150 258 0 0 157 0 2.6 1 2 3
## 209 49 1 2 120 188 0 1 139 0 2.0 1 3 3
## 210 59 1 0 140 177 0 1 162 1 0.0 2 1 3
## 211 57 1 2 128 229 0 0 150 0 0.4 1 1 3
## 212 61 1 0 120 260 0 1 140 1 3.6 1 1 3
## 213 39 1 0 118 219 0 1 140 0 1.2 1 0 3
## 214 61 0 0 145 307 0 0 146 1 1.0 1 0 3
## 215 56 1 0 125 249 1 0 144 1 1.2 1 1 2
## 216 43 0 0 132 341 1 0 136 1 3.0 1 0 3
## 217 62 0 2 130 263 0 1 97 0 1.2 1 1 3
## 218 63 1 0 130 330 1 0 132 1 1.8 2 3 3
## 219 65 1 0 135 254 0 0 127 0 2.8 1 1 3
## 220 48 1 0 130 256 1 0 150 1 0.0 2 2 3
## 221 63 0 0 150 407 0 0 154 0 4.0 1 3 3
## 222 55 1 0 140 217 0 1 111 1 5.6 0 0 3
## 223 65 1 3 138 282 1 0 174 0 1.4 1 1 2
## 224 56 0 0 200 288 1 0 133 1 4.0 0 2 3
## 225 54 1 0 110 239 0 1 126 1 2.8 1 1 3
## 226 70 1 0 145 174 0 1 125 1 2.6 0 0 3
## 227 62 1 1 120 281 0 0 103 0 1.4 1 1 3
## 228 35 1 0 120 198 0 1 130 1 1.6 1 0 3
## 229 59 1 3 170 288 0 0 159 0 0.2 1 0 3
## 230 64 1 2 125 309 0 1 131 1 1.8 1 0 3
## 231 47 1 2 108 243 0 1 152 0 0.0 2 0 2
## 232 57 1 0 165 289 1 0 124 0 1.0 1 3 3
## 233 55 1 0 160 289 0 0 145 1 0.8 1 1 3
## 234 64 1 0 120 246 0 0 96 1 2.2 0 1 2
## 235 70 1 0 130 322 0 0 109 0 2.4 1 3 2
## 236 51 1 0 140 299 0 1 173 1 1.6 2 0 3
## 237 58 1 0 125 300 0 0 171 0 0.0 2 2 3
## 238 60 1 0 140 293 0 0 170 0 1.2 1 2 3
## 239 77 1 0 125 304 0 0 162 1 0.0 2 3 2
## 240 35 1 0 126 282 0 0 156 1 0.0 2 0 3
## 241 70 1 2 160 269 0 1 112 1 2.9 1 1 3
## 242 59 0 0 174 249 0 1 143 1 0.0 1 0 2
## 243 64 1 0 145 212 0 0 132 0 2.0 1 2 1
## 244 57 1 0 152 274 0 1 88 1 1.2 1 1 3
## 245 56 1 0 132 184 0 0 105 1 2.1 1 1 1
## 246 48 1 0 124 274 0 0 166 0 0.5 1 0 3
## 247 56 0 0 134 409 0 0 150 1 1.9 1 2 3
## 248 66 1 1 160 246 0 1 120 1 0.0 1 3 1
## 249 54 1 1 192 283 0 0 195 0 0.0 2 1 3
## 250 69 1 2 140 254 0 0 146 0 2.0 1 3 3
## 251 51 1 0 140 298 0 1 122 1 4.2 1 3 3
## 252 43 1 0 132 247 1 0 143 1 0.1 1 4 3
## 253 62 0 0 138 294 1 1 106 0 1.9 1 3 2
## 254 67 1 0 100 299 0 0 125 1 0.9 1 2 2
## 255 59 1 3 160 273 0 0 125 0 0.0 2 0 2
## 256 45 1 0 142 309 0 0 147 1 0.0 1 3 3
## 257 58 1 0 128 259 0 0 130 1 3.0 1 2 3
## 258 50 1 0 144 200 0 0 126 1 0.9 1 0 3
## 259 62 0 0 150 244 0 1 154 1 1.4 1 0 2
## 260 38 1 3 120 231 0 1 182 1 3.8 1 0 3
## 261 66 0 0 178 228 1 1 165 1 1.0 1 2 3
## 262 52 1 0 112 230 0 1 160 0 0.0 2 1 2
## 263 53 1 0 123 282 0 1 95 1 2.0 1 2 3
## 264 63 0 0 108 269 0 1 169 1 1.8 1 2 2
## 265 54 1 0 110 206 0 0 108 1 0.0 1 1 2
## 266 66 1 0 112 212 0 0 132 1 0.1 2 1 2
## 267 55 0 0 180 327 0 2 117 1 3.4 1 0 2
## 268 49 1 2 118 149 0 0 126 0 0.8 2 3 2
## 269 54 1 0 122 286 0 0 116 1 3.2 1 2 2
## 270 56 1 0 130 283 1 0 103 1 1.6 0 0 3
## 271 46 1 0 120 249 0 0 144 0 0.8 2 0 3
## 272 61 1 3 134 234 0 1 145 0 2.6 1 2 2
## 273 67 1 0 120 237 0 1 71 0 1.0 1 0 2
## 274 58 1 0 100 234 0 1 156 0 0.1 2 1 3
## 275 47 1 0 110 275 0 0 118 1 1.0 1 1 2
## 276 52 1 0 125 212 0 1 168 0 1.0 2 2 3
## 277 58 1 0 146 218 0 1 105 0 2.0 1 1 3
## 278 57 1 1 124 261 0 1 141 0 0.3 2 0 3
## 279 58 0 1 136 319 1 0 152 0 0.0 2 2 2
## 280 61 1 0 138 166 0 0 125 1 3.6 1 1 2
## 281 42 1 0 136 315 0 1 125 1 1.8 1 0 1
## 282 52 1 0 128 204 1 1 156 1 1.0 1 0 0
## 283 59 1 2 126 218 1 1 134 0 2.2 1 1 1
## 284 40 1 0 152 223 0 1 181 0 0.0 2 0 3
## 285 61 1 0 140 207 0 0 138 1 1.9 2 1 3
## 286 46 1 0 140 311 0 1 120 1 1.8 1 2 3
## 287 59 1 3 134 204 0 1 162 0 0.8 2 2 2
## 288 57 1 1 154 232 0 0 164 0 0.0 2 1 2
## 289 57 1 0 110 335 0 1 143 1 3.0 1 1 3
## 290 55 0 0 128 205 0 2 130 1 2.0 1 1 3
## 291 61 1 0 148 203 0 1 161 0 0.0 2 1 3
## 292 58 1 0 114 318 0 2 140 0 4.4 0 3 1
## 293 58 0 0 170 225 1 0 146 1 2.8 1 2 1
## 294 67 1 2 152 212 0 0 150 0 0.8 1 0 3
## 295 44 1 0 120 169 0 1 144 1 2.8 0 0 1
## 296 63 1 0 140 187 0 0 144 1 4.0 2 2 3
## 297 63 0 0 124 197 0 1 136 1 0.0 1 0 2
## 298 59 1 0 164 176 1 0 90 0 1.0 1 2 1
## 299 57 0 0 140 241 0 1 123 1 0.2 1 0 3
## 300 45 1 3 110 264 0 1 132 0 1.2 1 0 3
## 301 68 1 0 144 193 1 1 141 0 3.4 1 2 3
## 302 57 1 0 130 131 0 1 115 1 1.2 1 1 3
## 303 57 0 1 130 236 0 0 174 0 0.0 1 1 2
## target
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## 7 1
## 8 1
## 9 1
## 10 1
## 11 1
## 12 1
## 13 1
## 14 1
## 15 1
## 16 1
## 17 1
## 18 1
## 19 1
## 20 1
## 21 1
## 22 1
## 23 1
## 24 1
## 25 1
## 26 1
## 27 1
## 28 1
## 29 1
## 30 1
## 31 1
## 32 1
## 33 1
## 34 1
## 35 1
## 36 1
## 37 1
## 38 1
## 39 1
## 40 1
## 41 1
## 42 1
## 43 1
## 44 1
## 45 1
## 46 1
## 47 1
## 48 1
## 49 1
## 50 1
## 51 1
## 52 1
## 53 1
## 54 1
## 55 1
## 56 1
## 57 1
## 58 1
## 59 1
## 60 1
## 61 1
## 62 1
## 63 1
## 64 1
## 65 1
## 66 1
## 67 1
## 68 1
## 69 1
## 70 1
## 71 1
## 72 1
## 73 1
## 74 1
## 75 1
## 76 1
## 77 1
## 78 1
## 79 1
## 80 1
## 81 1
## 82 1
## 83 1
## 84 1
## 85 1
## 86 1
## 87 1
## 88 1
## 89 1
## 90 1
## 91 1
## 92 1
## 93 1
## 94 1
## 95 1
## 96 1
## 97 1
## 98 1
## 99 1
## 100 1
## 101 1
## 102 1
## 103 1
## 104 1
## 105 1
## 106 1
## 107 1
## 108 1
## 109 1
## 110 1
## 111 1
## 112 1
## 113 1
## 114 1
## 115 1
## 116 1
## 117 1
## 118 1
## 119 1
## 120 1
## 121 1
## 122 1
## 123 1
## 124 1
## 125 1
## 126 1
## 127 1
## 128 1
## 129 1
## 130 1
## 131 1
## 132 1
## 133 1
## 134 1
## 135 1
## 136 1
## 137 1
## 138 1
## 139 1
## 140 1
## 141 1
## 142 1
## 143 1
## 144 1
## 145 1
## 146 1
## 147 1
## 148 1
## 149 1
## 150 1
## 151 1
## 152 1
## 153 1
## 154 1
## 155 1
## 156 1
## 157 1
## 158 1
## 159 1
## 160 1
## 161 1
## 162 1
## 163 1
## 164 1
## 166 0
## 167 0
## 168 0
## 169 0
## 170 0
## 171 0
## 172 0
## 173 0
## 174 0
## 175 0
## 176 0
## 177 0
## 178 0
## 179 0
## 180 0
## 181 0
## 182 0
## 183 0
## 184 0
## 185 0
## 186 0
## 187 0
## 188 0
## 189 0
## 190 0
## 191 0
## 192 0
## 193 0
## 194 0
## 195 0
## 196 0
## 197 0
## 198 0
## 199 0
## 200 0
## 201 0
## 202 0
## 203 0
## 204 0
## 205 0
## 206 0
## 207 0
## 208 0
## 209 0
## 210 0
## 211 0
## 212 0
## 213 0
## 214 0
## 215 0
## 216 0
## 217 0
## 218 0
## 219 0
## 220 0
## 221 0
## 222 0
## 223 0
## 224 0
## 225 0
## 226 0
## 227 0
## 228 0
## 229 0
## 230 0
## 231 0
## 232 0
## 233 0
## 234 0
## 235 0
## 236 0
## 237 0
## 238 0
## 239 0
## 240 0
## 241 0
## 242 0
## 243 0
## 244 0
## 245 0
## 246 0
## 247 0
## 248 0
## 249 0
## 250 0
## 251 0
## 252 0
## 253 0
## 254 0
## 255 0
## 256 0
## 257 0
## 258 0
## 259 0
## 260 0
## 261 0
## 262 0
## 263 0
## 264 0
## 265 0
## 266 0
## 267 0
## 268 0
## 269 0
## 270 0
## 271 0
## 272 0
## 273 0
## 274 0
## 275 0
## 276 0
## 277 0
## 278 0
## 279 0
## 280 0
## 281 0
## 282 0
## 283 0
## 284 0
## 285 0
## 286 0
## 287 0
## 288 0
## 289 0
## 290 0
## 291 0
## 292 0
## 293 0
## 294 0
## 295 0
## 296 0
## 297 0
## 298 0
## 299 0
## 300 0
## 301 0
## 302 0
## 303 0Dari data yang diberikan ada satu duplikasi data sehingga harus di hapus. Menghapusnya bisa menggunakan fungsi data[!duplicated(data). ].
##Mengecek outlier
detect_outliers <- function(x) {
Q1 <- quantile(x, 0.25)
Q3 <- quantile(x, 0.75)
IQR <- Q3 - Q1
which(x < (Q1 - 1.5 * IQR) | x > (Q3 + 1.5 * IQR))
}
numeric_cols <- sapply(data, is.numeric)
outlier_indices <- lapply(data[, numeric_cols], detect_outliers)
all_outliers <- unique(unlist(outlier_indices))
print(length(all_outliers))## [1] 74Dari data yang diberikan ada 74 data ekstrim, menurut saya karena terlalu banyak kita tidak bisa langsung menghapus semua, jadi lebih baik di cek terlebih dahulu datanya apakah masih masuk akal atau tidak, jika ada data yang tidak masuk akal langsung hapus saja.
##Statistika deskriptif
library(psych)
data_numerik <- data[, sapply(data, is.numeric)]
statdes <- describe(data_numerik)
print(statdes)## vars n mean sd median trimmed mad min max range skew
## age 1 302 54.42 9.05 55.5 54.60 9.64 29 77.0 48.0 -0.20
## sex 2 302 0.68 0.47 1.0 0.73 0.00 0 1.0 1.0 -0.78
## cp 3 302 0.96 1.03 1.0 0.86 1.48 0 3.0 3.0 0.49
## trestbps 4 302 131.60 17.56 130.0 130.40 14.83 94 200.0 106.0 0.71
## chol 5 302 246.50 51.75 240.5 243.71 47.44 126 564.0 438.0 1.14
## fbs 6 302 0.15 0.36 0.0 0.06 0.00 0 1.0 1.0 1.96
## restecg 7 302 0.53 0.53 1.0 0.52 0.74 0 2.0 2.0 0.17
## thalach 8 302 149.57 22.90 152.5 150.88 22.98 71 202.0 131.0 -0.53
## exang 9 302 0.33 0.47 0.0 0.29 0.00 0 1.0 1.0 0.73
## oldpeak 10 302 1.04 1.16 0.8 0.86 1.19 0 6.2 6.2 1.25
## slope 11 302 1.40 0.62 1.0 1.46 1.48 0 2.0 2.0 -0.50
## ca 12 302 0.72 1.01 0.0 0.53 0.00 0 4.0 4.0 1.28
## thal 13 302 2.31 0.61 2.0 2.36 0.00 0 3.0 3.0 -0.48
## target 14 302 0.54 0.50 1.0 0.55 0.00 0 1.0 1.0 -0.17
## kurtosis se
## age -0.55 0.52
## sex -1.40 0.03
## cp -1.20 0.06
## trestbps 0.86 1.01
## chol 4.40 2.98
## fbs 1.85 0.02
## restecg -1.37 0.03
## thalach -0.10 1.32
## exang -1.47 0.03
## oldpeak 1.49 0.07
## slope -0.65 0.04
## ca 0.72 0.06
## thal 0.25 0.04
## target -1.98 0.03• Dari variabel age memiliki rata-rata 53.33 tahun dengan standar deviasi 9.23. Nilainya berkisar antara 29 hingga 76 tahun. • Dari variabel chol (Kolestrol) memiliki nilai rata-rata 242.37 dan rentang nilai yang cukup luas dari 131 hingga 360, menunjukkan variasi yang besar di antara individu. • Dari variabel Detak jantung maksimum (thalach) memiliki rata-rata 151.07 dengan standar deviasi 22.49. • Dari Skewness menunjukkan bahwa sebagian besar variabel memiliki distribusi yang mendekati simetris (nilai skewness mendekati 0), meskipun beberapa seperti oldpeak (1.07) dan ca (1.23) memiliki distribusi yang condong ke kanan. • Kurtosis sebagian besar negatif, menandakan distribusi yang lebih “flat” dibandingkan distribusi normal (platykurtic). • Variabel fbs (gula darah puasa) tidak memiliki nilai skew dan kurtosis karena mungkin terlalu sedikit variasi atau distribusi binari yang sangat sederhana. Secara keseluruhan, ini memberikan gambaran umum tentang karakteristik distribusi setiap fitur numerik dalam dataset dan dapat membantu dalam tahap eksplorasi data atau prapemodelan.
b.Lakukan visualisasi untuk menunjukkan jenis kelamin apa yang paling banyak mengalami Heart desease, dan usia berapa yang paling banyak mengalami heart desease, dan usia berapa yang memiliki gula darah lebih besar dari 120 mg/dl.
data$sex <- ifelse(data$sex == 0, "Perempuan",
ifelse(data$sex == 1, "Laki-laki", NA))
data$sex <- factor(data$sex)
library(ggplot2)##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphaggplot(data[data$target == 1 & !is.na(data$sex), ], aes(x = sex)) +
geom_bar(fill = "tomato") +
labs(title = "Penderita Heart Disease Berdasarkan Jenis Kelamin",
x = "Jenis Kelamin", y = "Jumlah") +
theme_minimal()
ggplot(data[data$target == 1, ], aes(x = age)) +
geom_histogram(binwidth = 1, fill = "steelblue", color = "black") +
labs(title = "Distribusi Usia Penderita Heart Disease", x = "Usia", y = "Jumlah") +
theme_minimal()
ggplot(data[data$fbs == 1, ], aes(x = age)) +
geom_histogram(binwidth = 1, fill = "darkgreen", color = "black") +
labs(title = "Distribusi Usia dengan FBS > 120 mg/dl", x = "Usia", y = "Jumlah") +
theme_minimal()
Dari grafik pertama dapat di lihat bahwa laki-laki lebih banyak
mengalami heart deases dibandingkan perempuan, Dimana laki-laki
berjumlah 93 orang dan Perempuan hanya 72 orang saja. Grafik kedua
memperlihatkan bahwa sebagian besar penderita berada dalam rentang usia
40 hingga 65 tahun, dengan puncak distribusi (frekuensi tertinggi)
berada di usia 54 tahun. Kemudian dari grafik ketiga dapat di lihat
bahwa usia dengan jumlah gula darah lebih dari 120 berada di usia 42,
43, 46, 48, 51, 52, 53, 54, 56, 57, 58, 59, 60, 61, 62, 63, 65, 66, 67,
68, 69, dan 71.
c. Lakukan analisis untuk mengetahui, apakah kadar gula darah seseorang yang lebih besar dari 120 paling banyak mengalami Heart desease?
table_fbs_target <- table(data$fbs, data$target)
print(table_fbs_target)##
## 0 1
## 0 116 141
## 1 22 23prop.table(table_fbs_target, margin = 1) * 100##
## 0 1
## 0 45.13619 54.86381
## 1 48.88889 51.11111Dari output diatas merupakan table untuk melihat persentase dan jumlah orang yang terkena heart deases berdasarkan kadar gula, Dimana 0 baris adalah kadar gula <120 dan 1 adalah kadar gula>120, kemudian 0 kolom adalah yang tidak terkena dan 1 kolom adalah yang mengalami heart deases. Sehingga dapat dilihat bahwa kadar gula darah > 120 mg/dl tidak lebih banyak mengalami heart disease dibandingkan yang ≤ 120 mg/dl. Dari data ini, persentase penderita heart disease lebih tinggi pada orang dengan gula darah normal (meskipun selisihnya kecil).
d. Lakukan identifikasi untuk mengetahui jenis nyeri dada yang paling banyak terjadi pada seseorang mengalami Heart desease
heart_disease <- data[data$target == 1, ]
table_cp <- table(heart_disease$cp)
print(table_cp)##
## 0 1 2 3
## 39 41 68 16cp_labels <- c("Typical Angina", "Atypical Angina", "Non-anginal Pain", "Asymptomatic")
names(table_cp) <- cp_labels
barplot(table_cp,
col = "skyblue",
main = "Jenis Nyeri Dada Paling Banyak pada Penderita Heart Disease",
xlab = "Jenis Nyeri Dada",
ylab = "Jumlah",
las = 2)
Berdasarkan hasil analisis data, diketahui bahwa jenis nyeri dada yang
paling banyak dialami oleh penderita penyakit jantung (heart disease)
adalah non-anginal pain, yaitu nyeri dada yang tidak berkaitan langsung
dengan angina. Dari total penderita heart disease, sebanyak 68 orang
tercatat mengalami jenis nyeri dada ini. Sementara itu, 41 orang
mengalami atypical angina, 39 orang mengalami typical angina, dan hanya
16 orang yang bersifat asymptomatic atau tidak menunjukkan gejala nyeri
dada. Hal ini menunjukkan bahwa sebagian besar penderita penyakit
jantung dalam dataset ini tidak menunjukkan gejala khas seperti angina.
Oleh karena itu, identifikasi penyakit jantung tidak bisa hanya
mengandalkan gejala klasik.
#e. Buat visualisasi Bar plot proporsi heart desease terhadap variabel kategorikal cp, ca, dan thal. Interpretasikan
data$target <- factor(data$target, levels = c(0,1), labels = c("Tidak", "Ya"))
# Visualisasi untuk cp
ggplot(data, aes(x = factor(cp), fill = target)) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan cp",
x = "Chest Pain (cp)", y = "Proporsi", fill = "Heart Disease") +
theme_minimal()
# Visualisasi untuk ca
ggplot(data, aes(x = factor(ca), fill = target)) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan ca",
x = "Jumlah Pembuluh yang Dicat (ca)", y = "Proporsi", fill = "Heart Disease") +
theme_minimal()
# Visualisasi untuk thal
ggplot(data, aes(x = factor(thal), fill = target)) +
geom_bar(position = "fill") +
labs(title = "Proporsi Heart Disease berdasarkan thal",
x = "Thalassemia (thal)", y = "Proporsi", fill = "Heart Disease") +
theme_minimal()
Dari grafik pertama kategori cp = 0 (typical angina) didominasi oleh
pasien yang tidak menderita penyakit jantung, yang mengindikasikan bahwa
jenis nyeri dada ini cenderung tidak memiliki keterkaitan yang kuat
dengan risiko penyakit jantung. Sebaliknya, pada kategori cp = 1, 2, dan
3, proporsi pasien yang menderita penyakit jantung terlihat jauh lebih
besar, terutama pada kategori cp = 1 (atypical angina) dan cp = 2
(non-anginal pain), yang menunjukkan adanya asosiasi yang kuat antara
jenis nyeri dada tersebut dengan keberadaan penyakit jantung. Untuk
kategori cp = 3 (asymptomatic) juga menunjukkan proporsi penderita yang
cukup tinggi, meskipun jenis nyeri dada ini tidak menimbulkan gejala
yang jelas. Hal ini mengindikasikan bahwa meskipun pasien tidak
merasakan gejala nyeri dada yang khas, kemungkinan adanya penyakit
jantung tetap tinggi dan perlu diwaspadai.
Dari grafik kedua menunjukkan proporsi penderita penyakit jantung berdasarkan jumlah pembuluh darah yang dicat (ca). Pada ca = 0, mayoritas pasien menderita penyakit jantung, sedangkan pada ca = 1 hingga ca = 3, proporsi penderita menurun, menunjukkan bahwa semakin banyak pembuluh yang terlihat, risiko penyakit jantung cenderung berkurang. Namun, pada ca = 4, proporsi penderita kembali meningkat, mengindikasikan bahwa risiko bisa tetap tinggi pada kondisi tertentu. Secara keseluruhan, ca merupakan indikator penting dalam mendeteksi potensi penyakit jantung.
Dari grafik ketiga proporsi pasien dengan penyakit jantung paling besar ditemukan pada thal = 2, sedangkan thal = 1 dan 3 lebih banyak diisi oleh pasien tanpa penyakit jantung. Thal = 0 memiliki distribusi yang hampir merata. Temuan ini mengisyaratkan bahwa jenis thalassemia tertentu mungkin berkorelasi dengan meningkatnya risiko 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?
data$target <- factor(data$target, levels = c(0,1), labels = c("Tidak", "Ya"))
# Scatter plot hubungan age dan thalach
ggplot(data, aes(x = age, y = thalach, color = target)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "loess", se = FALSE) + # Non-linear trend
labs(title = "Hubungan Usia (Age) dan Detak Jantung Maksimum (Thalach)",
x = "Usia",
y = "Detak Jantung Maksimum",
color = "Heart Disease") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Berdasarkan grafik scatter plot di atas, hubungan antara usia (Age) dan
detak jantung maksimum (Thalach) terlihat non-linear. Hal ini
ditunjukkan oleh garis tren yang melengkung, bukan berupa garis lurus.
Secara umum, detak jantung maksimum cenderung menurun seiring
bertambahnya usia, namun penurunannya tidak konstan melainkan mengikuti
pola kurva yang sedikit melandai seiring bertambahnya usia.
g. Buat heatmap korelasi antar variabel yang berskala interval atau rasio kemudian interpretasukan hasil yang didapat
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, uniondata_num <- data %>% select(where(is.numeric))
corr_matrix <- round(cor(data_num), 2)
corr_df <- as.data.frame(as.table(corr_matrix))
library(ggplot2)
# Buat heatmap
ggplot(corr_df, aes(Var1, Var2, fill = Freq)) +
geom_tile(color = "white") +
geom_text(aes(label = Freq), size = 3) +
scale_fill_gradient2(low = "blue", high = "red", mid = "white",
midpoint = 0, limit = c(-1,1), name = "Korelasi") +
labs(title = "Heatmap Korelasi Variabel Numerik", x = "", y = "") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
2. Dari data berikut, Buat diagram yang sama dengan contoh. Serta jelaskan maksud setiap dari bagian sintag tersebut. Kemudian interpretasikan.
library(dplyr)
data2 <- data.frame(
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))
)
library(ggplot2)
ggplot(data2, aes(x = Konsumsi_GWh, y = Biaya_per_kWh, color = Konsumen)) +
geom_point() + # Titik-titik scatter plot
geom_smooth(method = "lm", se = FALSE) + # Garis regresi linear tanpa shading
scale_x_log10() + # Sumbu X dalam skala logaritmik
labs(
title = "Biaya Listrik per kWh Menurun Seiring Kenaikan Konsumsi",
x = "Total Konsumsi Listrik (GWh)",
y = "Biaya per kWh (Rp/kWh)"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Grafik tersebut menunjukkan bahwa seiring dengan meningkatnya konsumsi
listrik (dalam satuan GWh), tarif listrik per kWh cenderung menurun di
seluruh kategori konsumen. Setiap garis berwarna merepresentasikan
kelompok konsumen yang berbeda. Konsumen dari sektor industri dan rumah
tangga mengalami penurunan tarif yang relatif konsisten seiring
meningkatnya konsumsi. Sektor UMKM memulai dengan tarif yang sangat
tinggi, namun mengalami penurunan drastis ketika konsumsi meningkat.
Sementara itu, tarif untuk kantor pemerintahan juga cukup tinggi di
awal, tetapi menurun secara bertahap. Pola ini menggambarkan penerapan
skema tarif bertingkat, di mana pengguna dengan konsumsi lebih tinggi
mendapatkan tarif per kWh yang lebih murah.