UTS

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

library(readxl)
data_kesehatan <- read_excel("data_kesehatan.xlsx")
data_kesehatan

## # A tibble: 200 × 10
##       id  umur jenis_kelamin tinggi_badan berat_badan gula_darah
##    <dbl> <dbl> <chr>                <dbl>       <dbl>      <dbl>
##  1     1    33 Perempuan             160.        62.9       80.1
##  2     2    59 Perempuan             153.        54.7       79.2
##  3     3    39 Perempuan             156.        66.8       99.6
##  4     4    64 Laki-laki             174.        54.8       97.4
##  5     5    67 Perempuan             164.        62.2       49.0
##  6     6    20 Perempuan             150.        61.2      121. 
##  7     7    45 Perempuan             158.        59.4      105. 
##  8     8    64 Laki-laki             166.        55.9      148. 
##  9     9    47 Perempuan             157.        62.2      114. 
## 10    10    42 Perempuan             161.        58.7       91.1
## # ℹ 190 more rows
## # ℹ 4 more variables: tekanan_sistolik <dbl>, tekanan_diastolik <dbl>,
## #   kolesterol <dbl>, skor_kesehatan <dbl>

q1<- data_kesehatan %>%
  count(jenis_kelamin)
q1

## # A tibble: 2 × 2
##   jenis_kelamin     n
##   <chr>         <int>
## 1 Laki-laki       108
## 2 Perempuan        92

q1<- data_kesehatan %>%
  filter(gula_darah < 110,
    kolesterol < 200,
    tekanan_sistolik < 130,
    tekanan_diastolik < 85)
q2<- nrow(q1)
print(q2)

## [1] 48

q1<-data_kesehatan %>%
  arrange(skor_kesehatan) %>%
slice(1:5)
q1

## # A tibble: 5 × 10
##      id  umur jenis_kelamin tinggi_badan berat_badan gula_darah tekanan_sistolik
##   <dbl> <dbl> <chr>                <dbl>       <dbl>      <dbl>            <dbl>
## 1    49    32 Perempuan             148.        72.9       135.             141.
## 2    11    68 Perempuan             163.        39.9       156.             123.
## 3    70    41 Laki-laki             171.        80.1       136.             137.
## 4   193    69 Laki-laki             176.        78.9       144.             136.
## 5   176    50 Laki-laki             166.        88.8       115.             129.
## # ℹ 3 more variables: tekanan_diastolik <dbl>, kolesterol <dbl>,
## #   skor_kesehatan <dbl>

q1<-data_kesehatan %>%
  filter( kolesterol < 200, gula_darah < 110)%>%
  summarise(skor_kesehatan = mean(skor_kesehatan))
q1

## # A tibble: 1 × 1
##   skor_kesehatan
##            <dbl>
## 1           96.6

q1<-data_kesehatan %>%
  mutate(BMI = berat_badan / (tinggi_badan / 100)^2) %>%
  filter(BMI > 30)%>%
  summarise(skor_kesehatan = mean(skor_kesehatan))
q1

## # A tibble: 1 × 1
##   skor_kesehatan
##            <dbl>
## 1           74.9