Kelebihan:

• Membantu memahami hubungan temporal antara variabel.

• Berguna dalam pemodelan prediktif berbasis deret waktu.

• Membantu dalam pembuatan fitur baru untuk model machine learning berbasis deret waktu.

Kekurangan:

• Dapat menyebabkan kehilangan data pada awal periode.

• Jika lag terlalu besar, informasi yang relevan bisa hilang.

• Tidak selalu efektif jika pola hubungan antarwaktu tidak konsisten.

Penjelasan Fungsi

Interpretasi Kesehatan

Hasil Transformasi

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

LDR <- health_data %>%
  arrange(Date) %>%  
  mutate(
    Lag_Blood_Pressure = lag(Blood_Pressure, default = NA),
    Lag_Cholesterol = lag(Cholesterol, default = NA),
    Lag_Glucose = lag(Glucose, default = NA),
    Lag_Heart_Rate = lag(Heart_Rate, default = NA),
    
    Diff_Blood_Pressure = Blood_Pressure - Lag_Blood_Pressure,
    Diff_Cholesterol = Cholesterol - Lag_Cholesterol,
    Diff_Glucose = Glucose - Lag_Glucose,
    Diff_Heart_Rate = Heart_Rate - Lag_Heart_Rate,

    Mean_BP = round(zoo::rollapply(Blood_Pressure, width = 3, FUN = mean, fill = NA, align = "right"), 1),
    Mean_CT = round(zoo::rollapply(Cholesterol, width = 3, FUN = mean, fill = NA, align = "right"), 1)
  ) %>%
  ungroup()

datatable(LDR, options = list(pageLength = 5))

Kesimpulan Transformasi Temporal:

Dataset dalam sub bab ini berisi informasi Kesehatan pasien, termasuk variabel variabel seperti Blood_Pressure, Cholesterol, Glucose, Heart_Rate, serta metadata seperti Date, Location, dan Health_Condition. Transformasi temporal ini diterapkan untuk memperkaya dan analisis yang lebih mendalam terkait pola Waktu. Berikut adalah kesimpulan dari masing-masing transformasi:

1. Lag, Difference, dan Rolling

• Lag: Menangkap nilai sebelumnya dari parameter kesehatan (Blood_Pressure, Cholesterol, Glucose, Heart_Rate) untuk membandingkan perubahan antar waktu.
• Difference: Mengukur perubahan langsung (selisih) antara nilai saat ini dan nilai sebelumnya untuk melihat fluktuasi harian.
• Rolling: Menghitung rata-rata bergerak (moving average) untuk mengidentifikasi tren jangka pendek dalam parameter kesehatan.

Hasil: - Lag: Lag itu mengambil data dari data sebelumnya, contohnya pasien 1 tidak bisa mengambil data dari data sebelumnya itu kenapa?, karena data sebelumnya itu tidak ada, jadi jika mau muncul nilainya harus dimulai dari pasien 2, karena pasien 2 mempunyai pasien sebelumnya seperti pasien 1, ini berlaku untuk semua pasien, jika ingin mengambil data pasien 3 berarti dari nilai sebelumnya yaitu pasien 2 dst.

• Diff: sementara kalau diff, dia tuh mengambil data sekarang dan data sebelumnya kemudian di kurangi

• Mean: Minimal ada 3 data untuk diambil rata ratanya yaitu data sekarang, data sebelumnya, dan data 2 hari yang lalu, baru bisa mendapatkan hasilnya di data pasien 3, berlaku untuk seterusnya. satu contoh lagi jika ingin mengambil data pasien 4 harus mengambil data sekarang(data pasien 4), data sebelumnya(data pasien 3), dan data 2 hari yang lalu(data pasien 2), dst.

Kelebihan:

• Membantu menemukan pola berdasarkan waktu (contoh: pembelian lebih banyak di akhir pekan).
• Memungkinkan pembuatan fitur baru dari data waktu.

Kekurangan:

• Jika tidak relevan dengan analisis, fitur ini bisa menjadi noise.
• Membutuhkan format tanggal/waktu yang benar.

Penjelasan Fungsi

Interpretasi Kesehatan:

Hasil Transformasi

Dari hasil transformasi data yang melibatkan ekstraksi informasi waktu dan encoding untuk lokasi serta kondisi kesehatan pasien, berikut adalah contoh tampilan data yang diperoleh:

extract <- health_data %>%
  arrange(Date) %>%
  mutate(
    Year = year(Date),
    Month = month(Date, label = TRUE),
    Day_of_Week = weekdays(Date),
    Is_Weekend = ifelse(Day_of_Week %in% c("Saturday", "Sunday"), 1, 0)
  )

datatable(extract, options = list(pageLength = 5))

Mengekstrak komponen tanggal dari variabel Date(tahun, bulan, hari dalam seminggu, status akhir pekan) untuk analisis berbasis Waktu, seperti pola musiman atau perbedaan antara weekdays or weekend

Kalo yang di soal itu kita menentukan antara weekdays or weekend, jadi kalo hari yang kita tentukan itu weekend angka muncul angka 1(True), sebaliknya jika weekdays maka akan muncul angka 0(False)

Kesimpulan

• Ekstraksi Waktu: Data berhasil diubah dengan mengekstraksi elemen-elemen waktu seperti Hari dalam Minggu, Bulan, dan Tahun, yang memungkinkan analisis lebih lanjut terkait dengan pola musiman dan perilaku berdasarkan waktu.
  • Is_Weekend dihasilkan dengan memberikan nilai 1 jika hari tersebut adalah akhir pekan (Sabtu atau Minggu) dan 0 untuk hari lainnya, memungkinkan identifikasi tren berdasarkan akhir pekan atau hari kerja.
• Location & Health Condition Encoding: Lokasi dan kondisi kesehatan pasien telah diubah menjadi **variabel biner* untuk memudahkan analisis statistik dan pemodelan prediktif.
  • Variabel lokasi seperti Location_Jakarta, Location_Bandung, dan Location_Surabaya diubah menjadi indikator biner untuk setiap lokasi.
  • Kondisi kesehatan pasien, seperti Health_Condition_Healthy, Health_Condition_Hypertension, dan Health_Condition_Diabetes, juga dipetakan dalam bentuk variabel biner yang menggambarkan kondisi medis setiap individu.

Kelebihan:

• Sangat berguna untuk melihat pertumbuhan akumulatif.
• Membantu dalam memodelkan perilaku jangka panjang.

Kekurangan:

• Hasil kumulatif bisa mengaburkan perubahan lokal kecil.

• Bisa mempengaruhi distribusi data menjadi lebih smooth (terlalu halus).

Contoh Penggunaan dalam R:

Temporal3 <- health_data %>%
  group_by(Patient_ID) %>%
  mutate(
    Cumulative_BP = cumsum(Blood_Pressure),
    Cumulative_Glucose = cumsum(Glucose),
    Cumulative_AvgHR = cummean(Heart_Rate)
  ) %>%
  ungroup()
  

Penjelasan Fungsi

Interpretasi Kesehatan:

Hasil Transformasi

cumva <- health_data %>%
  arrange(Date) %>% 
  mutate(
    Cum_Blood_Pressure = cumsum(Blood_Pressure),
    Cum_Cholesterol = cumsum(Cholesterol),
    Cum_Glucose = cumsum(Glucose),
    Cum_Heart_Rate = cumsum(Heart_Rate)
  ) %>%
  ungroup()

datatable(cumva, options = list(pageLength = 5))

Menghitung nilai kumulatif dari parameter kesehatan (Blood_Pressure, Cholesterol, Glucose, Heart_Rate) secara global (berdasarkan urutan tanggal) untuk melacak total akumulasi seiring waktu.

contoh nya: Kita ambil yang BP(Blood Pressure), untuk pasien 1 data BP itu 104.07, jika kita masuk ke Cum BP hasilnya akan tetap menjadi 104.07, kenapa?, karena belum ada data sebelumnya jadi belum bisa ditambah oleh data lain, selanjutnya untuk pasien 2 data BP nya adalah 125.4, jika kita masuk ke Cum BP hasilnya akan menjadi 230.1, kenapa naik?, karena ini adalah gabungan antara data sekarang dan data sebelumnya, jadi kalau jumlah pasiennya ada 500, kita akan tambah tambah terus, cara nambahnya gimana?, yaitu dengan cara Cum BP + BP = New Cum BP

Kesimpulan:

• Cumulative Sum (cumsum) digunakan untuk mengukur total kumulatif dari variabel tertentu (seperti tekanan darah atau kadar glukosa) dari waktu ke waktu. Teknik ini sangat berguna untuk memahami bagaimana suatu kondisi berkembang dalam jangka panjang.

• Cumulative Mean (cummean) digunakan untuk melihat tren rata-rata jangka panjang, seperti detak jantung. Ini dapat membantu dalam memantau kestabilan kondisi kesehatan pasien.

• Kelemahan teknik kumulatif: Hasil kumulatif bisa mempengaruhi distribusi data, membuat data terlihat lebih smooth dan dapat mengaburkan perubahan lokal kecil yang mungkin signifikan. Oleh karena itu, harus digunakan dengan hati-hati tergantung pada tujuan analisis.

Penjelasan Fungsi

Interpretasi Kesehatan

Hasil Transformasi

Kesimpulan

2.1 Transformasi log: > Mengurangi Skewness (kemencengan distribusi) atau kemiringan ke kanan. Dipake agar distribusinya lebih simetris.

Menstabilkan Varians, kalau varians meningkat seiring dg mean, log transform bantu kurangin ketimpangan antar kelompok

Data kadar glukosa suka miring ke kanan krn sebagian kecil padien kadar tinggi, transform log yg bakal ringankan dampak outlier ekstrim.

min(health_data\(Glucose[health_data\)Glucose > 0]): > Fungsi: cari nilai min dari data glukosa yang lebih dr 0 (positif)

Tujuan: dapetin nilai positif terkecil utk gantiin nilai glukosa nol/negatif

Note: gabakal error meskipun ada NA krn [ ] bakal filter dan hanya ambil nilai yg lebih dr 0. Kalo nilai glukosa <= 0 / NA semua maka hasil adalah numeric(0) tetep bisa error

Mengapa penting? 1. Karena log(0) dan log(negatif) gak terdefinisi yg berakibat menghasilkan NaN/error

2. Menganti nilai nol/negatif dg nilai positif terkecil memungkinkan smua data bisa di log transform tanpa error

ifelese(glucose <= 0, min_positive, Glucose)

Fungsi: cek nilai glukosa kurang dari/sama dg nol. Kalo iya diganti dg min_positive, kalo gak tetep sesuai aslinya

Tujuan: bersihin data dr nilai yg gabisa di transform scr logaritmik. Supaya smua nilai pada variavel glukosa positif dan valid utk transformasi.

Note: kalo nilainya NA dr awal, tetep bakal NA.

log1p(Safe_Glucose) > Fungsi: menghitung logaritma natural dari x + 1 utk setiap nilai Safe_Glucose

Tujuan: normalin distribusi data glukosa yg cenderung miring kanan.

Note: Pake ini krn dia bisa dimodel terus aman utk nilai mendekati nol atau hasil dari min_positive

Penjelasan Fungsi

Interpretasi Kesehatan

Hasil Transformasi

Kesimpulan

Menormalkan distribusi data

Penting utk cek validitas uji spt; estimasi parameter, signifikansi, confidence interval

Mencari transformasi terbaik dr suatu variavel agar distribusinya mendekati normal

Yeo-J utk menangani nilai nol/negatif yang sering muncul akibat kesalahan alat/pencatatan.

bestNormalize: memilih auto utk transform terbaik buat distribusi data jadi mendekati normal. Yg diuji termasuk: yeo-j(handle data negatif), box cox(hny utk data positif), log, square root, arcinh

Penjelasan Fungsi

Interpretasi Kesehatan

Hasil Interpretasi

Kesimpulan

Stabilkan Varians antar observasi/kelompok

Menekan efek outlier yang verat supaya model lebih seimbang, analisis regresi dan klasifikasinya akurat krn modelnya ga ketarik oleh nilai ekstrim.

Pasien dg kolestrol ekstrim akan diberikan nilai transformasi jauh lebih kecul dr aslinya shg pengaruh oulier berkurang drastis (meminimalisir bias akibat outlier)

sqrt() :stabilkan varians pada data yg skewed, memperbaiki asumsi normalitas dalam data numerik yang akan digunakan

Penjelasan Kode

Interpretasi Kesehatan

Hasil Transformasi

Kesimpulan

Proses mengubah variabel numerik yang memiliki skala berbeda menjadi skala yang sama sehingga nilai-nilai tersebut memiliki rata-rata 0 dan deviasi standar 1. Penskalaan ini bisa membantu model machine learning untuk tidak cenderung menganggap satu fitur lebih penting daripada yang lain hanya karena memiliki rentang yang lebih besar.

Dalam mendeteksi pasien yang memiliki faktor risiko dalam mempengaruhi tekanan darah yang akan mengakibatkan hipertensi bisa diliat dari nilai BMI, kolestrol dan glukosa. ketiga fitur itu memiliki rentang skala yang berbeda beda ada yang di puluhan ataupun ratusan. Model mechine learning akan memberi bobot pada fitur kolestrol karena memiliki rentang yang besar. Setelah di skala ketiga fitur itu ada di skala yang sama . Disini model bisa menilai dari ketiga fitur tersebut apakah bisa mempengaruhi tekanan darah tinggi atau tidak yang akan mengakibatkan hipertensi.

Penjelasan Kode

Interpretasi Kesehatan

Hasil Transformasi

Kesimpulan

Sama halnya dengan z-score. robust scaller ini mengubah skala yang berbeda menjadi skala yang sama tapi dia pakai median untuk nilai pusat data dari kolom dan juga pakai IQR untuk membagi sebaran data dengan membatasi kuartil, jadi outlier ga akan terpengaruh pada saat penskalaan.

Misal, untuk yang deteksi kaya di z score, 3 kolom itukan beda beda dan pasti ada nilai yang jauh banget itu bisa dibilang outliuer kan nah itu butuh pakai robust scaler untuk nyamain skala di 3 kolom ini dengan menekan kan nilai yang sangat jauh dari mayoritas data jadi skala nya ada di lebih dekat dengan sebaran data. jadi model nya bisa analisis dengan seimbang

Penjelasan Kode

Interpretasi Kesehatan

Hasil Transformasi

Kesimpulan

proses mengubah data menjadi skala yang sama menggunakan nilai min max untuk membatasi hasil normalisasi jadi ada di rentang 0 -1. Normalisasi ini kao banyak outlier di data akan sangat terpengaruh apalagi kalao digunakan dengan model untuk prediksi penyakit jadi leih baik ake robust scaller.

Kelebihan:

• Menghilangkan makna ordinal dari kategori (tidak mengasumsikan urutan).
• Cocok untuk algoritma yang tidak bisa menangani data kategorik secara langsung.

Kekurangan:

• Menambah jumlah fitur secara signifikan (terutama jika kategori banyak).
• Bisa menyebabkan curse of dimensionality.

Berikut adalah versi penjelasan One-Hot Encoding yang diperbarui dengan 5 kota: *Medan, Surabaya, Jakarta, Bandung, Makassar, serta 4 kondisi kesehatan: **Diabetes, Sehat, Hipertensi, Obesitas*.

1. Maksud dan Tujuan

One-hot encoding mengubah data kategorik menjadi bentuk numerik biner, di mana setiap kategori akan diwakili oleh satu kolom berisi nilai 0 dan 1. Tujuannya agar data tersebut bisa digunakan oleh algoritma statistik/machine learning yang hanya menerima input numerik.

2. Contoh Data Awal

3. Kode R untuk One-Hot Encoding

lcategorical_cols <- c("location", "health_condition")

one_hot <- dummy_cols(
  health_data,
  select_columns = categorical_cols,
  remove_first_dummy = TRUE,
  remove_selected_columns = TRUE
)

DT::datatable(one_hot, caption = "Hasil One-Hot Encoding (5 Kota, 4 Kondisi Kesehatan)")

4. Hasil Output

Dengan remove_first_dummy = TRUE, maka: - Kategori pertama dari setiap kolom tidak dibuatkan dummy (misalnya: Location_Medan dan Health_Condition_Diabetes tidak muncul). - Informasi kategori pertama tetap dapat diketahui saat semua kolom dummy lainnya bernilai 0.

5. Interpretasi

• Baris 1: Semua dummy 0 → berarti Location = Medan, Health_Condition = Diabetes (kategori pertama).
• Baris 4: Lokasi Bandung (Location_Bandung = 1), Kondisi Obesitas (Health_Condition_Obesitas = 1).

Kesimpulan

• One-hot encoding bisa digunakan untuk berapa pun jumlah kategori, tidak terbatas 2 saja.
• remove_first_dummy = TRUE menghindari redundansi (dummy trap), tapi tidak menghilangkan informasi.
• Cocok digunakan untuk model klasifikasi dan regresi agar tidak salah menangkap hubungan antar kategori.

Contoh Penggunaan dalam R:

{}

categorical_cols <- names(health_data)[sapply(health_data, function(x) is.factor(x) || is.character(x))] one_hot <- dummy_cols( health_data, select_columns = categorical_cols, remove_first_dummy = TRUE, remove_selected_columns = TRUE )

Penjelasan Fungsi

Interpretasi Kesehatan:

Hasil Transformasi

Kesimpulan:

• Transformasi ini mempermudah penggunaan data kategorik dalam model prediksi dan analisis statistik.

• Menghindari kesalahan interpretasi urutan pada variabel kategorik.

• Cocok digunakan bersama metode statistik dan machine learning modern.

Pengerjaan ini bertujuan menyiapkan data kategorik agar kompatibel dengan model statistik dan machine learning. Hasilnya berupa fitur biner yang merepresentasikan tiap kategori tanpa mengasumsikan urutan atau nilai tertentu — memastikan model tidak salah mengartikan makna kategorik.

Tujuan:

Mengubah kolom kategorikal seperti year, location, dan health_condition menjadi bentuk numerik dengan cara sederhana dan efisien atau mengubah data kategorikal (teks) menjadi data numerik dalam bentuk label angka, agar bisa digunakan dalam model machine learning atau analisis statistik yang tidak bisa membaca data teks langsung.

Contoh:

Kategori “Jakarta”, “Bandung”, “Surabaya” akan diubah menjadi angka 0, 1, dan 2.

## # A tibble: 500 × 13
##    patient_id   date         age   bmi blood_pressure cholesterol glucose
##    <chr>        <date>     <int> <dbl>          <dbl>       <dbl>   <dbl>
##  1 SLy5n7T2vCfd 2021-07-14    27  31.5          123.         132.    77.7
##  2 SS9WdTh6Gp9l 2020-11-16    63  26.9          120.         213.   128. 
##  3 5PBRrmglA03t 2023-03-22    72  18.2          146          158.   100. 
##  4 0cAGgC7hcyxq 2023-01-02    60  19.9          121.         221.   103. 
##  5 0KSEA9pnVHdd 2023-06-05    40  32.5          109.         230.    91.9
##  6 Zba4dbAEtGwn 2023-03-15    71  27.4          126.         209.   102  
##  7 R8Qx2GZT0XQT 2021-09-25    74  17.1          111.         118.   104. 
##  8 4CDiQyhVv9KV 2020-02-18    44  25.3          109.         140.    78.8
##  9 PPPsJBNOlqxa 2023-02-25    51  18.2           91.4        285     73.6
## 10 wsS2iEHE4Sh6 2023-08-19    33  17.6          125.         265     77.5
## # ℹ 490 more rows
## # ℹ 6 more variables: heart_rate <dbl>, location <chr>, health_condition <chr>,
## #   season <chr>, location_label <dbl>, health_condition_label <dbl>

Kode dan Penjelasannya

library(dplyr)
library(DT)

## Fungsi label encoding
label_enc <- function(col) {
  as.numeric(factor(col)) - 1
}

• label_enc: Fungsi ini mengubah input kategorikal menjadi angka.
  • factor(col): Mengubah kolom menjadi tipe faktor (kategori).
  • as.numeric(…): Mengubah setiap level menjadi angka (mulai dari 1).
  • Dikurangi 1 agar mulai dari 0.

{r} # Pastikan semua nama kolom lowercase colnames(health_data) <- tolower(colnames(health_data))

• Ini bertujuan untuk menyamakan format nama kolom, agar pencocokan nama kolom tidak gagal karena huruf besar/kecil.

{r} # Kolom target untuk encoding target_cols <- c(“year”, “location”, “health_condition”) available_cols <- intersect(target_cols, colnames(health_data))

• target_cols: Kolom-kolom yang ingin diencoding.
• intersect(…): Mengecek apakah ketiga kolom di atas benar-benar ada dalam dataset health_data.

{r} # Terapkan encoding ke kolom yang tersedia Label_Encoded <- health_data %>% mutate(across(all_of(available_cols), ~ label_enc(.), .names = “{.col}_label”))

• mutate(across(…)): Untuk setiap kolom dalam available_cols, lakukan label encoding menggunakan fungsi label_enc.
• **.names = “{.col}_label”**: Menambahkan suffix _label pada kolom hasil encoding, agar tidak menimpa kolom aslinya.

{r} # Tampilkan data hasil encoding DT::datatable(head(Label_Encoded), caption = “Label Encoded Columns”)

• Menampilkan 6 baris pertama dari hasil encoding menggunakan tabel interaktif.

year_label:karena factor(c(2020, 2021, 2022)) → 2020 = 1, 2021 = 2, 2022 = 3 → setelah -1 jadi 0,1,2.

contoh isi kolom location adalah:

“Jakarta”, “Bandung”, “Medan”

dan kamu menerapkan fungsi label_enc() seperti ini:

label_enc <- function(col) { as.numeric(factor(col)) - 1 }

1. Buat factor

factor(c(“Jakarta”, “Bandung”, “Medan”))

Secara *default, R akan mengurutkan levelnya secara **alfabetis*:

Levels: Bandung Jakarta Medan

Jadi: - Bandung → level ke-1 - Jakarta → level ke-2 - Medan → level ke-3

2. Ubah ke numeric

as.numeric(factor(…))

Hasil: - Jakarta → 2
- Bandung → 1
- Medan → 3

3. Kurangi 1 agar mulai dari 0

as.numeric(factor(…)) - 1

Maka hasil encoding adalah: - Jakarta → 1 - Bandung → 0 - Medan → 2

1. Buat factor

factor(c(“Hypertension”, “Diabetes”, “Healthy”, “Obesity”))

Secara *default, R akan mengurutkan level **secara alfabet*:

Levels: Diabetes Healthy Hypertension Obesity

Jadi urutannya: - Diabetes → level 1
- Healthy → level 2
- Hypertension → level 3
- Obesity → level 4

2. Ubah ke numeric

as.numeric(factor(…))

Hasilnya: - Hypertension → 3
- Diabetes → 1
- Healthy → 2
- Obesity → 4

3. Kurangi 1

as.numeric(factor(…)) - 1

Hasil akhir: - Hypertension → 2
- Diabetes → 0
- Healthy → 1
- Obesity → 3

Kelebihan Label Encoding

• Cepat dan efisien: Ideal untuk dataset besar tanpa menambah jumlah kolom.
• Cocok untuk data ordinal (ada urutan), seperti rendah, sedang, tinggi.

Kekurangan Label Encoding

• *Urutan numerik bisa menyesatkan: Untuk data **nominal* (seperti location), angka bisa disalahartikan oleh model sebagai data berurutan.
• Bisa menyebabkan bias pada model regresi atau model yang sensitif terhadap skala nilai.

Tips Praktis

Gunakan Label Encoding untuk: - Data ordinal: Ada urutan logis → cocok. - Data *nominal: Hindari, atau gunakan **One-Hot Encoding* untuk menghindari asumsi urutan.

Kesimpulan:
Label Encoding merupakan metode sederhana dan efisien untuk mengubah variabel kategorikal menjadi numerik. Namun, penggunaannya harus hati-hati tergantung pada sifat data—apakah data tersebut memiliki urutan logis atau tidak.

Kelebihan:

• Tidak menambah dimensi seperti one-hot encoding.

• Menyimpan informasi distribusi kategori.

• Efisien untuk dataset dengan banyak kategori unik.

Kekurangan:

• Tidak cocok jika kategori dengan frekuensi yang sama memiliki makna berbeda.

• Bisa memunculkan data leakage jika tidak dilakukan dengan hati-hati (misalnya saat digunakan sebelum data split).

Contoh Penggunaan dalam R:

{}

1. Kolom year

Data awal untuk year bisa saja berupa kategori seperti 2022, 2023, dsb. Untuk setiap nilai tahun, kita akan menghitung berapa kali masing-masing tahun muncul dalam dataset.

Misalnya, data year sebagai berikut:

• Jumlah total baris = 6
• 2022 muncul 3 kali, jadi frekuensi relatif = \(\frac{3}{6} = 0.5\)
• 2023 muncul 3 kali, jadi frekuensi relatif = \(\frac{3}{6} = 0.5\)

Output year_freq untuk setiap baris: | year | year_freq | |——|———–| | 2022 | 0.5 | | 2022 | 0.5 | | 2023 | 0.5 | | 2022 | 0.5 | | 2023 | 0.5 | | 2023 | 0.5 |

2. Kolom location

Untuk location, kita akan menghitung berapa kali masing-masing lokasi muncul dalam dataset. Data location bisa berupa kategori seperti Jakarta, Bandung, dan Medan.

Misalnya data location sebagai berikut:

• Jumlah total baris = 6
• Jakarta muncul 2 kali, jadi frekuensi relatif = \(\frac{2}{6} \approx 0.333\)
• Bandung muncul 1 kali, jadi frekuensi relatif = \(\frac{1}{6} \approx 0.167\)
• Medan muncul 3 kali, jadi frekuensi relatif = \(\frac{3}{6} = 0.5\)

Output location_freq untuk setiap baris: | location | location_freq | |———-|—————| | Jakarta | 0.333 | | Bandung | 0.167 | | Medan | 0.5 | | Jakarta | 0.333 | | Medan | 0.5 | | Medan | 0.5 |

3. Kolom health_condition

Sekarang kita lakukan hal yang sama untuk kolom health_condition, yang bisa berisi kategori seperti *Hypertension, Diabetes, Healthy, dan **Obesity*.

Misalnya data health_condition sebagai berikut:

• Jumlah total baris = 6
• Hypertension muncul 1 kali, jadi frekuensi relatif = \(\frac{1}{6} \approx 0.167\)
• Diabetes muncul 2 kali, jadi frekuensi relatif = \(\frac{2}{6} \approx 0.333\)
• Healthy muncul 2 kali, jadi frekuensi relatif = \(\frac{2}{6} \approx 0.333\)
• Obesity muncul 1 kali, jadi frekuensi relatif = \(\frac{1}{6} \approx 0.167\)

Output health_condition_freq untuk setiap baris: | health_condition | health_condition_freq | |——————|———————–| | Hypertension | 0.167 | | Diabetes | 0.333 | | Healthy | 0.333 | | Diabetes | 0.333 | | Healthy | 0.333 | | Obesity | 0.167 |

Kegunaan:

• Membantu model menangkap efek gabungan antar

• Berguna dalam model linear yang tidak secara eksplisit menangkap interaksi antar fitur.

Contoh Kode R:

# Simpan nama kolom BMI ke variabel
bmi_col <- grep("bmi|imt", colnames(health_data), value = TRUE)[1]

# Buat interaksi antara age dan BMI
data_interaction <- health_data %>%
  mutate(
    Age_BMI_Impact = age * .data[[bmi_col]]
  )

Penjelasan Fungsi

Interpretasi Kesehatan:

• Fitur Age_BMI_Impact akan bernilai tinggi jika seseorang memiliki usia dan BMI yang sama-sama tinggi.

• Dapat menunjukkan risiko kesehatan gabungan akibat usia lanjut dan berat badan berlebih.

Hasil Transformasi

Kesimpulan:

• Fitur interaksi berguna untuk mengungkap relasi tersembunyi antar variabel.
• Dalam kasus data kesehatan, interaksi antara usia dan BMI bisa menjadi indikator penting terhadap risiko penyakit kronis.

Contoh Kasus:

Dalam data kesehatan, membandingkan kadar kolesterol terhadap kadar glukosa dapat memberikan insight tambahan tentang profil metabolik seseorang. Maka dibuat fitur baru: Cholesterol to Glucose Ratio.

Contoh Kode R:

data_ratio <- health_data %>%
  mutate(
    Cholesterol_Glucose_Ratio = cholesterol / (glucose + 1e-5)
  )

Penjelasan Fungsi

Interpretasi Kesehatan:

• Rasio yang tinggi bisa menunjukkan potensi risiko gangguan metabolik.

• Berguna untuk menyaring individu dengan kolesterol tinggi tetapi kadar glukosa normal atau sebaliknya.

Hasil Transformasi

Kesimpulan:

• Ratio features memperkaya dataset dengan informasi proporsional.
• Dalam konteks medis, rasio ini membantu dalam mendeteksi ketidakseimbangan biokimia yang tidak terlihat dari nilai absolut saja.

Contoh Kasus:

Pada dataset kesehatan, satu pasien bisa memiliki beberapa entri kunjungan. Maka kita bisa menghitung rata-rata dan maksimum kadar glukosa untuk tiap patient_id, serta jumlah kunjungan sebagai fitur tambahan.

Contoh Kode R:

# Aggregate by patient
patient_glucose <- health_data %>%
  group_by(patient_id) %>%
  summarise(
    Avg_Glucose = mean(glucose, na.rm = TRUE),
    Max_Glucose = max(glucose, na.rm = TRUE),
    Visits = n(),
    .groups = "drop"
  )

# Join with original data
health_data_joined <- left_join(health_data, patient_glucose, by = "patient_id")

Manfaat dalam Konteks Medis:

• Avg_Glucose dan Max_Glucose mencerminkan kontrol gula darah pasien secara longitudinal.

• Visits dapat menunjukkan frekuensi kontrol atau keparahan kondisi pasien.

Hasil Transformasi

Kesimpulan:

• Group aggregation menghasilkan fitur yang memperkaya data dengan informasi ringkasan per entitas.
• Cocok untuk data yang bersifat longitudinal, seperti rekam medis atau transaksi pelanggan.

Contoh Kasus:

Dalam dataset kesehatan, kita dapat mengurutkan kadar glukosa pasien dan memberi peringkat kepada mereka berdasarkan level glukosa, dengan pasien yang memiliki kadar glukosa tertinggi mendapat peringkat teratas.

Contoh Kode R:

data_ranked <- health_data %>%
  mutate(
    Glucose_Rank = rank(-glucose)
  )

Penjelasan Fungsi

Manfaat dalam Konteks Medis:

• Glucose_Rank memberikan gambaran tentang posisi relatif pasien berdasarkan kadar glukosa mereka. Ini berguna untuk memahami siapa yang berada dalam kelompok dengan kadar glukosa tertinggi atau terendah.

Hasil Transformasi

Kesimpulan:

Rank transformation cocok untuk analisis yang mengutamakan urutan daripada nilai absolut, seperti identifikasi pasien dengan kondisi paling kritis berdasarkan peringkat.

Contoh Kasus:

Dalam dataset kesehatan, kolom patient_id mungkin mengandung angka dan karakter lain, yang mana kita bisa mengekstraksi angka saja untuk membuat fitur baru.

Contoh Kode R:

data_text <- health_data %>%
  arrange(date) %>%  # urutkan berdasarkan tanggal
  mutate(
    Patient_Num = row_number()  # beri nomor urut 1 sampai 500 sesuai urutan tanggal
  )

Penjelasan Fungsi

• Memanggil paket dplyr yang digunakan untuk manipulasi data seperti menyaring (filter()), mengurutkan (arrange()), menambahkan kolom (mutate()), dsb.

• Memanggil paket DT, yang memungkinkan Anda menampilkan data dalam bentuk tabel interaktif di R (misalnya untuk ditampilkan di R Markdown, Shiny, atau Viewer).

• Menggunakan operator pipe (%>%) untuk meneruskan data health_data ke fungsi berikutnya secara berurutan. Ini membuat kode lebih mudah dibaca.

• Mengurutkan seluruh baris data berdasarkan nilai dalam kolom date secara menaik (dari tanggal paling lama ke paling baru).Mengurutkan seluruh baris data berdasarkan nilai dalam kolom date secara menaik (dari tanggal paling lama ke paling baru).

• mutate(): Menambahkan kolom baru ke dalam dataset.

row_number(): Memberi nomor urut 1 hingga n (dalam kasus ini 1 sampai 500) sesuai urutan baris saat ini (yang sudah diurutkan berdasarkan tanggal).

Hasilnya: Kolom baru Patient_Num muncul sebagai nomor pasien urut berdasarkan tanggal kunjungan.

Manfaat dalam Konteks Medis:

• Patient_Num memberikan nomor pasien dalam format numerik yang bisa digunakan untuk analisis lebih lanjut, seperti pengelompokan atau identifikasi pasien berdasarkan ID numerik.

Hasil Transformasi

Kesimpulan:

Langkah pembersihan teks ini membantu mengubah ID pasien yang mengandung karakter menjadi format yang lebih mudah untuk dianalisis, terutama saat ID pasien diperlukan dalam analisis statistik atau pembelajaran mesin.

Contoh Kasus:

Dalam dataset kesehatan, kita dapat menghitung jumlah kumulatif kadar glukosa dari waktu ke waktu untuk setiap pasien, yang memberikan gambaran tentang perubahan tingkat glukosa sepanjang waktu.

Contoh Kode R:

# Pastikan kolom date dalam format Date
health_data$date <- as.Date(health_data$date)

# Tambahkan kolom Tahun
health_data <- health_data %>%
  mutate(Year = year(date))

# Hitung glukosa kumulatif per pasien
data_cumulative <- health_data %>%
  arrange(patient_id, date) %>%
  group_by(patient_id) %>%
  mutate(Cumulative_Glucose = cumsum(glucose)) %>%
  ungroup()

# Kelompok umur
data_cumulative <- data_cumulative %>%
  mutate(Age_Group = case_when(
    age < 30 ~ "Muda",
    age >= 30 & age < 59 ~ "Paruh Baya",
    age >= 60 ~ "Lansia"
  ))

# Ambil nilai kumulatif terakhir per pasien + tahun terakhir
cumulative_by_patient <- data_cumulative %>%
  group_by(patient_id) %>%
  slice_tail(n = 1) %>%
  ungroup() %>%
  mutate(
    Diabetes_Indicator = case_when(
      Cumulative_Glucose > 600 & grepl("diabetes|glucose", tolower(health_condition)) ~ "Terindikasi Diabetes",
      Cumulative_Glucose > 600 ~ "Risiko Glukosa Tinggi",
      grepl("diabetes", tolower(health_condition)) ~ "Riwayat Diabetes",
      TRUE ~ "Normal"
    )
  ) %>%
  select(patient_id, Year, age, Age_Group, Cumulative_Glucose, health_condition, Diabetes_Indicator) %>%
  arrange(Year)  # Urutkan berdasarkan tahun

# Tampilkan seluruh data (500 pasien)
datatable(cumulative_by_patient,
          caption = "Analisis Risiko Diabetes 2020–2024 Berdasarkan Tahun, Usia, dan Kondisi",
  

Penjelasan Fungsi

• as.Date(): Mengubah data tanggal agar bisa diurutkan secara waktu.

• mutate(Year = year(date)): Menambahkan kolom tahun.

• arrange() dan group_by(): Mengelompokkan dan mengurutkan data per pasien untuk menghitung kumulatif.

• cumsum(): Menghitung jumlah kumulatif glukosa per pasien.

• case_when(): Mengelompokkan usia (muda, paruh baya, lansia) dan menentukan indikator risiko diabetes.

• slice_tail(n = 1): Mengambil data terakhir per pasien.

• datatable(): Menampilkan tabel interaktif.

Fungsinya adalah untuk melacak perkembangan glukosa per pasien, mengelompokkan berdasarkan usia dan kondisi kesehatan, dan mengidentifikasi potensi risiko diabetes.

Manfaat dalam Konteks Medis:

• Cumulative_Glucose memberikan informasi mengenai akumulasi kadar glukosa pasien sepanjang waktu, yang bisa digunakan untuk memahami perubahan pola glukosa, mengidentifikasi tren, dan mendeteksi kemungkinan masalah kesehatan.

Hasil Transformasi

Kesimpulan Kumulatif Glukosa Pasien (2020–2024)

1. Mayoritas pasien menunjukkan nilai kumulatif glukosa yang berada dalam batas normal, menandakan bahwa sebagian besar populasi data tidak mengalami lonjakan signifikan kadar gula darah dalam kurun waktu yang dianalisis.

2. Indikasi diabetes ditemukan pada sejumlah pasien dengan kombinasi berikut:

   • Cumulative Glucose > 600 mg/dL
   • Diagnosis kondisi kesehatan mencakup kata kunci seperti “diabetes” atau “glucose intolerance”.
   • Kelompok usia paling sering terindikasi: Paruh Baya (30–59 tahun) dan Lansia (≥ 60 tahun).

3. Pasien muda (< 30 tahun) meskipun memiliki nilai glukosa tinggi dalam beberapa kasus, jarang menunjukkan indikasi diabetes, kecuali jika disertai riwayat kesehatan yang mendukung (misalnya “Type 1 diabetes”).

4. Penyakit atau kondisi yang paling sering berkorelasi dengan glukosa kumulatif tinggi antara lain:

   • Diabetes Tipe 2
   • Hiperglikemia
   • Metabolic syndrome

5. Tren tahunan (2020–2024) menunjukkan bahwa kasus dengan kumulatif glukosa tinggi tidak terbatas pada satu tahun tertentu, namun konsisten muncul di setiap tahun, menandakan pentingnya pemantauan kadar glukosa jangka panjang, terutama pada pasien usia menengah dan lanjut.

Rekomendasi Awal Berdasarkan Temuan

• Screening rutin glukosa sangat penting untuk pasien berusia 30 tahun ke atas.

• Pasien dengan riwayat keluarga diabetes atau peningkatan bertahap kumulatif glukosa perlu mendapat perhatian lebih lanjut, meskipun belum terdiagnosis secara formal.

• Integrasi analisis usia + glukosa + kondisi kesehatan sangat membantu dalam membentuk peta risiko individual terhadap diabetes.