Link Analisis deskriptif ini dilakukan untuk melihat gambaran secara umum mengenai status gizi di Provinsi Jawa Tengah. Data ini mencakup beberapa indikator seperti stunting, gizi buruk, dan gizi kurang di tiap kabupaten/kota. Melalui perhitungan nilai rata-rata, median, serta penyebaran data, analisis ini membantu memahami bagaimana kondisi gizi tersebar di berbagai daerah. Visualisasi seperti barchart, piechart, dan plot digunakan agar hasilnya lebih mudah dibaca dan dipahami. Hasil analisis ini diharapkan memberi gambaran awal tentang pola dan perbedaan status gizi di Jawa Tengah.

Sumber Data: Bps.go.id

Lets Import the Dataset

library(readxl)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.1     ✔ stringr   1.5.2
## ✔ ggplot2   4.0.0     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.1.0     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
data <- read_excel("C:/Users/Marcella/Downloads/data.xlsx")
View(data)
print(data)
## # A tibble: 35 × 12
##    Kabupaten              Jumlah_Balita BB_Kurang Persentase TB_Balita TB_Pendek
##    <chr>                          <dbl>     <dbl>      <dbl>     <dbl>     <dbl>
##  1 3301 Kab. Cilacap             106892      8956        8.4    106892      5235
##  2 3302 Kab. Banyumas             95468     12538       13.1     95468     14477
##  3 3303 Kab. Purbalingga          57631      6424       11.1     57631      7114
##  4 3304 Kab. Banjarnegara         52667      6020       11.4     52667      9018
##  5 3305 Kab. Kebumen              73895      9266       12.5     73895      6870
##  6 3306 Kab. Purworejo            38335      5208       13.6     38335      6107
##  7 3307 Kab. Wonosobo             47922      4919       10.3     47922      8741
##  8 3308 Kab. Magelang             71428      8598       12       71428     10914
##  9 3309 Kab. Boyolali             58437      5224        8.9     58437      6994
## 10 3310 Kab. Klaten               61905      8636       14       61905      8620
## # ℹ 25 more rows
## # ℹ 6 more variables: Persentase_TB <dbl>, Gizi_Balita <dbl>,
## #   Gizi_Kurang <dbl>, Persentase_Gizi <dbl>, Gizi_Buruk <dbl>,
## #   Persentase_GB <dbl>
summary(data)
##   Kabupaten         Jumlah_Balita      BB_Kurang       Persentase   
##  Length:35          Min.   :  4518   Min.   :  429   Min.   : 4.20  
##  Class :character   1st Qu.: 43416   1st Qu.: 4266   1st Qu.: 9.20  
##  Mode  :character   Median : 53761   Median : 5711   Median :11.30  
##                     Mean   : 56231   Mean   : 6005   Mean   :10.99  
##                     3rd Qu.: 74936   3rd Qu.: 7997   3rd Qu.:13.10  
##                     Max.   :106892   Max.   :13008   Max.   :17.90  
##    TB_Balita        TB_Pendek     Persentase_TB    Gizi_Balita    
##  Min.   :  4518   Min.   :  503   Min.   : 2.50   Min.   :  4518  
##  1st Qu.: 43416   1st Qu.: 2874   1st Qu.: 7.40   1st Qu.: 43416  
##  Median : 53761   Median : 5235   Median : 9.80   Median : 53761  
##  Mean   : 56231   Mean   : 5630   Mean   :10.08   Mean   : 56231  
##  3rd Qu.: 74936   3rd Qu.: 7054   3rd Qu.:13.10   3rd Qu.: 74936  
##  Max.   :106892   Max.   :15750   Max.   :18.20   Max.   :106892  
##   Gizi_Kurang   Persentase_Gizi   Gizi_Buruk     Persentase_GB   
##  Min.   : 168   Min.   :2.200   Min.   :   0.0   Min.   :0.0000  
##  1st Qu.:1837   1st Qu.:3.950   1st Qu.:  47.0   1st Qu.:0.1500  
##  Median :2814   Median :5.200   Median : 159.0   Median :0.3000  
##  Mean   :3081   Mean   :5.474   Mean   : 246.8   Mean   :0.3771  
##  3rd Qu.:3955   3rd Qu.:7.050   3rd Qu.: 308.0   3rd Qu.:0.4500  
##  Max.   :7507   Max.   :8.900   Max.   :1091.0   Max.   :1.3000

The Main Focus Jumlah Balita Diukur, Balita Pendek, Gizi Kurang, dan Gizi Buruk

Jumlah Balita Diukur TB(Mean, Median, Mod)

summary(data$TB_Balita)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    4518   43416   53761   56231   74936  106892
mean(data$TB_Balita)
## [1] 56231.31
median(data$TB_Balita)
## [1] 53761
names(sort(-table(data$TB_Balita)))[1]
## [1] "4518"

Balita Pendek (Mean, Median, Mod)

summary(data$TB_Pendek)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     503    2874    5235    5630    7054   15750
mean(data$TB_Pendek)
## [1] 5630.229
median(data$TB_Pendek)
## [1] 5235
names(sort(-table(data$TB_Pendek)))[1]
## [1] "503"

Gizi Balita (Mean, Median, Mod)

summary(data$Gizi_Balita)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    4518   43416   53761   56231   74936  106892
mean(data$Gizi_Balita)
## [1] 56231.31
median(data$Gizi_Balita)
## [1] 53761
names(sort(-table(data$Gizi_Balita)))[1]
## [1] "4518"

Gizi Kurang (Mean, Median, Mod)

summary(data$Gizi_Kurang)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     168    1837    2814    3081    3955    7507
mean(data$Gizi_Kurang)
## [1] 3080.829
median(data$Gizi_Kurang)
## [1] 2814
names(sort(-table(data$Gizi_Kurang)))[1]
## [1] "168"

Gizi Buruk (Mean, Median, Mod)

summary(data$Gizi_Buruk)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0    47.0   159.0   246.8   308.0  1091.0
mean(data$Gizi_Buruk)
## [1] 246.8286
median(data$Gizi_Buruk)
## [1] 159
names(sort(-table(data$Gizi_Buruk)))[1]
## [1] "19"

BARCHART, SCATTERPLOT, and PIE CHART BALITA PENDEK DI JAWA TENGAH 2024

Jumlah_Balita_diukur <- c(data$TB_Balita)
TB_Pendek <- c(data$TB_Pendek)

barplot(Jumlah_Balita_diukur, names.arg = TB_Pendek, main = "Balita Pendek di Provinsi Jawa Tengah 2024") 

plot(Jumlah_Balita_diukur, TB_Pendek, main = "Balita Pendek di Provinsi Jawa Tengah 2024")

balita_pendek = c(3,12,10,8,2)
Gizi_Balita= c(12.001-15.000,3.001-6.000,500-3.000,6.001-9.000,9.001-12.000)
pct <- round(balita_pendek/sum(balita_pendek)*100)
Gizi_Balita <- paste(Gizi_Balita,"=", pct)

Gizi_Balita <- paste(Gizi_Balita, "%",sep = "")
pie(balita_pendek, labels = Gizi_Balita,col = rainbow(length(Gizi_Balita)), main = "Balita Pendek di Provinsi Jawa Tengah 2024")

BALITA GIZI KURANG DI JAWA TENGAH 2024

Gizi_Balita <- c(data$Gizi_Balita)
Gizi_Kurang <- c(data$Gizi_Kurang)

barplot(Gizi_Balita, names.arg = Gizi_Kurang, main = "Gizi Kurang di Provinsi Jawa Tengah 2024") 

plot(Gizi_Balita, Gizi_Kurang, main = "Gizi Kurang di Provinsi Jawa Tengah 2024")

Gizi_Kurang = c(14,6,8,4,3)
Gizi_Balita= c(1.501-3.000, 150-1.500,3.001-4.500,4.501-6.000,6.000-8.000)
pct <- round(Gizi_Kurang/sum(Gizi_Kurang)*100)
Gizi_Balita <- paste(Gizi_Balita,"=", pct)

Gizi_Balita <- paste(Gizi_Balita, "%",sep = "")
pie(Gizi_Kurang, labels = Gizi_Balita,col = rainbow(length(Gizi_Balita)), main = "Gizi Balita Kurang di Provinsi Jawa Tengah 2024")

GIZI BURUK BALITA DI JAWA TENGAH 2024

Gizi_Balita <- c(data$Gizi_Balita)
Gizi_Buruk <- c(data$Gizi_Buruk)

barplot(Gizi_Balita, names.arg = Gizi_Buruk, main = "Gizi Buruk Balita di Provinsi Jawa Tengah 2024") 

plot(Gizi_Balita, Gizi_Buruk, main = "Gizi Buruk Balita di Provinsi Jawa Tengah 2024")

Gizi_Buruk = c(22,7,2,1,3)
Gizi_Balita= c("0-200","201-400","401-600","601-800","801-1.100")
pct <- round(Gizi_Buruk/sum(Gizi_Buruk)*100)
Gizi_Balita <- paste(Gizi_Balita,"=", pct)

Gizi_Balita <- paste(Gizi_Balita, "%",sep = "")
pie(Gizi_Buruk, labels = Gizi_Balita,col = rainbow(length(Gizi_Balita)), main = "Gizi Buruk Balita di Provinsi Jawa Tengah 2024")