R Markdown

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

1.Berapa rata-rata umur responden dalam dataset kesehatan fisik?

aggregate(umur ~ jenis_kelamin , data = data_kesehatan, mean)
##   jenis_kelamin     umur
## 1     Laki-laki 44.02778
## 2     Perempuan 44.65217

3.Apakah terdapat perbedaan rata-rata tinggi badan antara laki-laki dan perempuan

aggregate(tinggi_badan ~ jenis_kelamin, data = data_kesehatan, mean)
##   jenis_kelamin tinggi_badan
## 1     Laki-laki     171.0215
## 2     Perempuan     159.6470

4.Berapa rata-rata tinggi badan responden laki-laki?

aggregate(tinggi_badan ~ jenis_kelamin , data = data_kesehatan, mean)
##   jenis_kelamin tinggi_badan
## 1     Laki-laki     171.0215
## 2     Perempuan     159.6470
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

5.Berapa jumlah responden yang memenuhi semua indikator sehat (gula <110, kolesterol <200, tekanan <130/85)?

hasil<- data_kesehatan %>%
  filter(gula_darah < 110, kolesterol < 200,tekanan_sistolik < 130 , tekanan_diastolik< 85)%>%
  group_by(jenis_kelamin)%>%
  summarise(jumlah=n())
hasil
## # A tibble: 2 × 2
##   jenis_kelamin jumlah
##   <chr>          <int>
## 1 Laki-laki         25
## 2 Perempuan         23

7.Bagaimana rata-rata skor kesehatan per kelompok umur, <30, 30-50, dan >50 tahun secara berturut-turut?

data <- read.csv("data_kesehatan.csv")
data$kelompok_umur<- cut(data$umur,breaks = c (0,29,50,120),labels = c("<30","30_50",">50"), right = TRUE)
rata_skor <- aggregate(skor_kesehatan~kelompok_umur,data =data,mean)
print(rata_skor)
##   kelompok_umur skor_kesehatan
## 1           <30       90.37880
## 2         30_50       89.35499
## 3           >50       89.53153

9.Berapa rata-rata skor_kesehatan pada responden dengan kolesterol <200 dan gula <110?

data <- read.csv("data_kesehatan.csv")
data_filter <- subset(data_kesehatan,kolesterol< 200 & gula_darah <110)
rata_skor<-mean(data_filter $ skor_kesehatan,na.rm = TRUE)
print(rata_skor)
## [1] 96.57272

10.Berapa rata-rata skor_kesehatan responden obesitas (BMI > 30)?

data$BMI <- data$berat_badan / ((data$tinggi_badan / 100) ^ 2)
obesitas <- subset(data, BMI > 30)
rata_rata <- mean(obesitas$skor_kesehatan)
rata_rata
## [1] 74.92593