Import Data

data_maternal <- read.csv("C:/Users/Bilqis/Downloads/maternal+health+risk/Maternal Health Risk Data Set.csv")
data_clean <- data_maternal[, sapply(data_maternal, is.numeric)]

library(knitr)
kable(head(data_clean))

Age	SystolicBP	DiastolicBP	BS	BodyTemp	HeartRate
25	130	80	15.00	98	86
35	140	90	13.00	98	70
29	90	70	8.00	100	80
30	140	85	7.00	98	70
35	120	60	6.10	98	76
23	140	80	7.01	98	70

Correlation Matrix

cor_matrix <- cor(data_clean)
kable(round(cor_matrix, 3))

	Age	SystolicBP	DiastolicBP	BS	BodyTemp	HeartRate
Age	1.000	0.416	0.398	0.473	-0.255	0.080
SystolicBP	0.416	1.000	0.787	0.425	-0.287	-0.023
DiastolicBP	0.398	0.787	1.000	0.424	-0.258	-0.046
BS	0.473	0.425	0.424	1.000	-0.103	0.143
BodyTemp	-0.255	-0.287	-0.258	-0.103	1.000	0.099
HeartRate	0.080	-0.023	-0.046	0.143	0.099	1.000

# visualisasi
library(corrplot)

## corrplot 0.95 loaded

corrplot(cor_matrix, method = "color", addCoef.col = "black", tl.col = "black", tl.srt = 45)

Variance-Covariance Matrix

cov_matrix <- cov(data_clean)
kable(round(cov_matrix, 3))

	Age	SystolicBP	DiastolicBP	BS	BodyTemp	HeartRate
Age	181.559	103.172	74.472	21.004	-4.718	8.697
SystolicBP	103.172	338.704	201.122	25.771	-7.234	-3.440
DiastolicBP	74.472	201.122	192.815	19.383	-4.904	-5.184
BS	21.004	25.771	19.383	10.847	-0.467	3.806
BodyTemp	-4.718	-7.234	-4.904	-0.467	1.881	1.096
HeartRate	8.697	-3.440	-5.184	3.806	1.096	65.427

# visualisasi
corrplot(cov_matrix, method = "color", addCoef.col = "black", 
         tl.col = "black", tl.srt = 45, is.corr = FALSE, mar=c(0,0,1,0))

Eigen Value dan Eigen Vector

# Menghitung Eigen
eigen_res <- eigen(cor(data_clean))

# Menampilkan Eigen Value
kable(as.data.frame(eigen_res$values), col.names = "Eigen Value")

Eigen Value
2.6078934
1.1443812
0.8370499
0.7063345
0.4925435
0.2117975

# Menampilkan Eigen Vector
colnames(eigen_res$vectors) <- paste0("PC", 1:ncol(eigen_res$vectors))
kable(eigen_res$vectors)

PC1	PC2	PC3	PC4	PC5	PC6
-0.4360752	0.1729019	0.2404386	-0.5550931	-0.6432108	0.0168575
-0.5296016	-0.1128996	-0.2415842	0.3633726	-0.0938667	-0.7124341
-0.5225675	-0.1230416	-0.2990961	0.3544156	-0.0781012	0.7004393
-0.4255290	0.3528904	-0.1153507	-0.4254237	0.7070992	-0.0106309
0.2735090	0.4293197	-0.8093439	-0.1305413	-0.2606712	-0.0291436
-0.0200401	0.7958469	0.3549994	0.4859993	-0.0585692	0.0239976

Penjelasan Hasil Output

Correlation Matrix: Berdasarkan output, hubungan yang paling kuat ditemukan pada variabel SystolicBP dan DiastolicBP (0.787), yang berarti tekanan darah atas dan bawah berbanding lurus secara signifikan. Selain itu, usia memiliki korelasi positif yang kuat dengan gula darah (0,473), sementara itu suhu tubuh (BodyTemp) memiliki korelasi negatif yang lemah atau berlawanan arah dengan semua variabel tekanan darah.
Variance-Covariance Matrix: Nilai diagonal menunjukkan varians dengan nilai tertinggi ada pada SystolicBP (338.70), yang menandakan bahwa variabel ini memiliki sebaran data paling luas dibandingkan yang lain. Sementara itu, nilai kovarians positif antara antara Age dan SystolicBP (103.17) menegaskan bahwa kedua variabel ini bergerak ke arah yang sama, dengan peningkatan tekanan darah pada variabel yang awalnya dipengaruhi oleh usia.
Eigen Value dan Eigen Vector: Eigen Value dan Eigen Vector: Dua nilai Eigen pertama (2,60 dan 1,14) berada di atas angka 1, sehingga keduanya dianggap sebagai faktor terpenting dalam analisis data. Berdasarkan vektor Eigen, variabel tekanan darah (SystolicBP dan DiastolicBP) memiliki bobot paling signifikan pada komponen pertama, sedangkan detak jantung (HeartRate) merupakan faktor paling signifikan pada komponen kedua.

Analisis Multivariat: Maternal Health Risk

Bilqis Fadiyah Nisrina - 24031554216

2026-02-10

Import Data

Correlation Matrix

Variance-Covariance Matrix

Eigen Value dan Eigen Vector

Penjelasan Hasil Output