data_kesehatan <- read.csv("data_kesehatan.csv")
head(data_kesehatan)

##   X id umur jenis_kelamin tinggi_badan berat_badan gula_darah tekanan_sistolik
## 1 1  1   33     Perempuan     159.5587    62.85027   80.08403         129.2978
## 2 2  2   59     Perempuan     152.9881    54.73592   79.20090         108.6373
## 3 3  3   39     Perempuan     156.1915    66.84162   99.64040         132.7729
## 4 4  4   64     Laki-laki     173.8024    54.83932   97.35650         108.7811
## 5 5  5   67     Perempuan     164.0242    62.21020   49.01314         129.4536
## 6 6  6   20     Perempuan     150.0967    61.15284  120.81147         136.4499
##   tekanan_diastolik kolesterol skor_kesehatan
## 1          69.13882   181.3293      100.00000
## 2          73.34697   209.6954      100.00000
## 3          87.14848   176.3801       88.52949
## 4          75.68339   172.1841      100.00000
## 5          82.27615   138.6886      100.00000
## 6          92.94946   183.7165       75.39378

table(data_kesehatan$jenis_kelamin)

## 
## Laki-laki Perempuan 
##       108        92

mean(data_kesehatan$umur)

## [1] 44.315

mean(data_kesehatan$tinggi_badan[data_kesehatan$jenis_kelamin == "Laki-laki"])

## [1] 171.0215

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

data_kesehatan %>%
  arrange(skor_kesehatan) %>%
  select(skor_kesehatan) %>%
  slice_head(n = 5)

##   skor_kesehatan
## 1       45.44594
## 2       48.51474
## 3       53.51686
## 4       54.22224
## 5       57.96087

library(dplyr)
data_kesehatan %>%
  arrange (berat_badan)%>%
  select(berat_badan) %>%
  head(n=10)

##    berat_badan
## 1     39.93666
## 2     44.59884
## 3     45.11818
## 4     45.21222
## 5     45.99146
## 6     46.51267
## 7     47.02513
## 8     47.89367
## 9     48.01041
## 10    48.88413