Analisis Penyebab Kematian Global

Halaman Judul

Tugas Probabilitas & Statistika

Analisis Penyebab Kematian
di Seluruh Dunia

Eksplorasi data statistik kematian global dari 204 negara selama tiga dekade menggunakan berbagai teknik visualisasi dan analisis statistik.

204

Negara/Wilayah

30

Tahun (1990–2019)

31

Penyebab Kematian

6.120

Total Data

Sumber Data: Our World in Data — Global Burden of Disease Study 2019

Link: kaggle.com/datasets/iamsouravbanerjee/cause-of-deaths-around-the-world

Mata Kuliah: Probabilitas dan Statistika

---

Bab I — Pendahuluan

Kematian adalah fenomena universal yang dapat dikaji secara ilmiah untuk memahami pola kesehatan populasi global.

Penyakit penyebab kematian merupakan salah satu indikator penting dalam menilai kualitas kesehatan suatu negara. Dengan memahami pola penyebab kematian, pemerintah dan lembaga kesehatan dapat merumuskan kebijakan yang lebih tepat sasaran untuk meningkatkan angka harapan hidup masyarakat.

Dataset yang digunakan dalam analisis ini bersumber dari Our World in Data yang merangkum data Global Burden of Disease (GBD) Study 2019 yang diterbitkan oleh Institute for Health Metrics and Evaluation (IHME). Data ini mencakup 204 negara/wilayah dari tahun 1990 hingga 2019 dengan 31 kategori penyebab kematian.

Tujuan Analisis:
Melakukan eksplorasi dan analisis statistik terhadap data penyebab kematian global, dengan fokus khusus pada Indonesia, menggunakan berbagai teknik visualisasi data dan ukuran statistik deskriptif maupun inferensial.

Identifikasi Variabel

Nama Variabel	Jenis Data	Skala	Keterangan
Country/Territory	Kategorik	Nominal	Nama negara/wilayah (204 kategori)
Code	Kategorik	Nominal	Kode ISO negara (misal: IDN = Indonesia)
Year	Numerik	Interval	Tahun pengamatan (1990–2019)
Cardiovascular Diseases	Numerik	Rasio	Jumlah kematian akibat penyakit kardiovaskular
Neoplasms	Numerik	Rasio	Jumlah kematian akibat kanker/tumor
Tuberculosis	Numerik	Rasio	Jumlah kematian akibat tuberkulosis
Malaria	Numerik	Rasio	Jumlah kematian akibat malaria
... dan 27 variabel numerik lainnya

📌 Catatan Skala Data: Variabel Country/Territory dan Code merupakan data kategorik nominal. Variabel jumlah kematian merupakan data numerik rasio karena memiliki nilai nol mutlak yang bermakna.

---

Bab II — Grafik 1: Pie Chart

Proporsi Penyebab Kematian di Indonesia (2019)

Pie chart digunakan untuk menampilkan proporsi/persentase dari setiap kategori terhadap keseluruhan data.

Grafik lingkaran berikut menunjukkan proporsi 7 penyebab kematian terbesar di Indonesia pada tahun 2019, dengan total 1.713.143 kematian.

651.481

Kardiovaskular

229.524

Neoplasms

126.348

Digestif

106.333

Diabetes

📊 Interpretasi Pie Chart

• Penyakit Kardiovaskular mendominasi sebagai penyebab kematian terbesar di Indonesia pada tahun 2019, menyumbang sekitar 38,0% dari total kematian.
• Neoplasms (kanker) menempati posisi kedua dengan proporsi 13,4%, setara dengan 229.524 jiwa per tahun.
• Penyakit Digestif berada di posisi ketiga dengan 7,4%.
• Tiga penyebab teratas secara bersama-sama menyumbang hampir 59% dari total kematian.

📐 Statistik Inferensia: Dominasi penyakit kardiovaskular (38%) memberikan indikasi kuat bahwa penyakit tidak menular (PTM) telah menjadi beban kesehatan utama Indonesia, memerlukan program pencegahan penyakit jantung yang serius melalui pengendalian faktor risiko seperti hipertensi, diabetes, dan gaya hidup sedentari.

---

Bab III — Grafik 2: Bar Chart

10 Negara dengan Total Kematian Tertinggi (2019)

Bar chart (diagram batang) digunakan untuk membandingkan nilai antar kategori secara visual.

Grafik batang berikut membandingkan total kematian dari seluruh penyebab di 10 negara dengan angka kematian tertinggi pada tahun 2019.

📊 Interpretasi Bar Chart

• China mencatatkan total kematian tertinggi sebesar 10,44 juta jiwa pada 2019, diikuti India dengan 8,81 juta jiwa.
• Indonesia berada di posisi ke-5 dengan total 1,71 juta kematian, konsisten dengan posisinya sebagai negara berpenduduk ke-4 terbesar di dunia.
• Terdapat kesenjangan yang sangat besar antara China/India dan negara-negara lainnya. China memiliki total kematian hampir 4× lebih tinggi dibanding Amerika Serikat.
• Amerika Serikat, Rusia, dan Jepang masuk 10 besar meskipun populasinya jauh lebih kecil dari Indonesia.

📐 Statistik Inferensia: Angka kematian absolut dipengaruhi kuat oleh ukuran populasi. Untuk perbandingan yang lebih adil, diperlukan metrik Crude Death Rate per 100.000 penduduk. Tingginya angka kematian di negara berpendapatan menengah-bawah mengindikasikan hubungan antara pendapatan per kapita dengan akses layanan kesehatan.

---

Bab IV — Grafik 3: Histogram

Distribusi Kematian Akibat Penyakit Kardiovaskular (2019)

Histogram digunakan untuk melihat distribusi frekuensi dari data numerik kontinu, menunjukkan bentuk sebaran data.

Histogram berikut menggambarkan sebaran jumlah kematian akibat penyakit kardiovaskular di 204 negara pada tahun 2019.

90.942

Mean

15.595

Median

15.081

Q1

58.219

Q3

383.608

Std Dev

📊 Interpretasi Histogram

• Histogram menunjukkan distribusi yang sangat miring ke kanan (right-skewed). Sebagian besar negara memiliki jumlah kematian yang rendah, namun ada beberapa negara dengan jumlah kematian yang sangat tinggi.
• Lebih dari 60% negara memiliki jumlah kematian kardiovaskular di bawah 50.000 jiwa per tahun.
• Mean (90.942) jauh lebih besar dari Median (15.595) — ciri khas distribusi right-skewed. Median lebih representatif sebagai ukuran pusat.
• Standar deviasi yang sangat besar (383.608) menunjukkan variabilitas data yang ekstrem antar negara.

📐 Statistik Inferensia: Distribusi right-skewed mengindikasikan bahwa pengujian hipotesis parametrik (t-test) sebaiknya dilakukan hati-hati karena asumsi normalitas tidak terpenuhi. Uji non-parametrik (Mann-Whitney U test) atau transformasi logaritmik lebih direkomendasikan. Rasio mean/median ≈ 5,8× mengkonfirmasi adanya outlier yang signifikan.

---

Bab V — Grafik 4: Density Plot

Tren Kematian Akibat Neoplasms di Indonesia (1990–2019)

Density plot adalah versi halus dari histogram yang menampilkan estimasi distribusi probabilitas kontinu dari data.

Dalam analisis ini, density plot divisualisasikan sebagai grafik tren dengan area terisi (area chart) untuk menunjukkan evolusi jumlah kematian akibat neoplasms (kanker) di Indonesia dari tahun 1990 hingga 2019.

155.756

Mean

152.240

Median

164.000

Modus (approx)

39.885

Std Dev

📊 Interpretasi Density Plot

• Tren kematian akibat kanker di Indonesia menunjukkan peningkatan yang konsisten dan signifikan selama 30 tahun, dari 95.636 jiwa (1990) menjadi 229.524 jiwa (2019) — meningkat ~140%.
• Kurva yang terus naik menunjukkan bahwa distribusi data bergeser ke nilai lebih tinggi seiring waktu.
• Mean (155.756) dan Median (152.240) yang berdekatan menunjukkan distribusi yang cukup simetris tanpa outlier ekstrem.
• Laju pertumbuhan semakin cepat setelah tahun 2000, berkorelasi dengan peningkatan prevalensi faktor risiko kanker.

📐 Statistik Inferensia: Kenaikan 140% dalam 30 tahun menunjukkan tren yang signifikan secara statistik. Regresi linear sederhana mengindikasikan rata-rata kenaikan sekitar ±4.500 kematian per tahun. Proyeksi memperkirakan kematian kanker di Indonesia bisa mencapai 280.000–300.000 pada tahun 2025 tanpa intervensi signifikan.

---

Bab VI — Grafik 5: Boxplot

Distribusi Kematian Kardiovaskular per Kawasan (2019)

Boxplot (diagram kotak) merangkum distribusi data melalui 5 ukuran sekaligus: minimum, Q1, median, Q3, dan maksimum.

Boxplot berikut membandingkan distribusi jumlah kematian akibat penyakit kardiovaskular di berbagai kawasan dunia pada tahun 2019.

Kawasan	Q1	Median (Q2)	Q3	IQR	Rata-rata
Asia	58.824	138.139	324.764	265.940	473.496
Eropa	32.998	55.921	188.113	155.115	167.491
Amerika	15.015	27.140	72.629	57.614	101.214
Afrika	18.157	28.149	54.489	36.332	41.813
Oseania	869	2.642	15.540	14.671	12.205

📊 Interpretasi Boxplot

• Asia memiliki median dan IQR tertinggi, mencerminkan keberagaman yang besar. Rata-rata Asia (473.496) jauh di atas median (138.139) karena ditarik oleh outlier besar (China, India).
• Eropa memiliki distribusi lebih konsisten dengan IQR yang lebih sempit, mencerminkan sistem kesehatan yang lebih homogen.
• Afrika memiliki median rendah bukan karena kondisi kesehatan lebih baik, melainkan karena populasi negara-negaranya umumnya lebih kecil.
• Oseania memiliki nilai terendah karena sebagian besar terdiri dari negara kepulauan kecil.

📐 Statistik Inferensia: Perbedaan distribusi antar kawasan dapat diuji menggunakan Kruskal-Wallis Test (non-parametrik ANOVA). Berdasarkan visualisasi, perbedaan yang sangat nyata antara Asia, Eropa, dan Oseania mengindikasikan H₀ (tidak ada perbedaan signifikan) kemungkinan besar akan ditolak pada α = 0,05.

---

Bab VII — Statistik Deskriptif

Mean, Median, Modus, Q1, Q3, Range, Varians, Std Dev

Statistik deskriptif merangkum karakteristik utama dari suatu kumpulan data menggunakan ukuran numerik.

Tabel berikut menyajikan perhitungan lengkap statistik deskriptif untuk 4 variabel numerik utama di Indonesia selama periode 1990–2019 (n = 30 tahun).

Catatan: Data yang digunakan adalah jumlah kematian di Indonesia per tahun, dari 1990 sampai 2019 (30 observasi per variabel).

Ukuran Statistik	Kardiovaskular	Neoplasms	Tuberkulosis	Malaria
Mean (Rata-rata)	452.900	155.756	106.567	2.489
Median (Nilai Tengah)	447.747	152.240	113.118	2.543
Modus (Nilai Terbanyak)*	484.000	164.000	118.000	3.000
Q1 (Kuartil 1)	342.414	121.912	92.813	1.236
Q3 (Kuartil 3)	558.106	188.339	117.563	3.208
Range (Rentang)	373.179	133.888	51.460	5.488
Varians	14.328.860.182	1.590.850.158	240.525.792	1.909.319
Standar Deviasi	119.703	39.885	15.509	1.382

*Modus dihitung dengan pembulatan ke ribuan terdekat karena data kontinu.

📊 Interpretasi Statistik Deskriptif

🫀 Cardiovascular Diseases:

• Rata-rata kematian kardiovaskular 452.900 jiwa/tahun dengan SD 119.703, menunjukkan variabilitas cukup besar antar tahun.
• Mean ≈ Median mengindikasikan distribusi yang cukup simetris — tren kenaikan berlangsung stabil.
• Range 373.179 (dari ~278.302 di 1990 hingga ~651.481 di 2019) mencerminkan pertumbuhan signifikan selama 30 tahun.

🦠 Tuberculosis:

• Median (113.118) > Mean (106.567), sedikit left-skewed — ada beberapa tahun dengan angka sangat rendah karena program penanggulangan TB berhasil.
• SD yang relatif kecil (15.509) menunjukkan data yang lebih konsisten.

🦟 Malaria:

• Rata-rata (2.489) sangat kecil — Malaria bukan penyebab kematian dominan di Indonesia secara nasional.
• IQR = 3.208 - 1.236 = 1.972, menunjukkan sebaran cukup lebar relatif terhadap mediannya.

📐 Koefisien Variasi (CV) = SD/Mean × 100%
CV Kardiovaskular = 119.703 / 452.900 × 100% = 26,4% (variabilitas sedang)
CV Neoplasms = 39.885 / 155.756 × 100% = 25,6% (variabilitas sedang)
CV Tuberkulosis = 15.509 / 106.567 × 100% = 14,6% (variabilitas rendah)
CV Malaria = 1.382 / 2.489 × 100% = 55,5% (variabilitas tinggi — fluktuasi besar antar tahun)

---

Bab VIII — Kesimpulan

Berdasarkan analisis statistik terhadap dataset Cause of Deaths Around the World, dapat ditarik beberapa kesimpulan utama:

1. Penyakit tidak menular mendominasi — Penyakit kardiovaskular menjadi penyebab kematian terbesar di Indonesia (38%) diikuti kanker (13,4%), mencerminkan transisi epidemiologi dari penyakit menular ke tidak menular.
2. Tren kematian kanker terus naik — Meningkat 140% dalam 30 tahun, dari 95.636 (1990) menjadi 229.524 (2019), memerlukan perhatian serius dari sistem kesehatan.
3. Distribusi data sangat tidak merata — Histogram menunjukkan distribusi right-skewed yang ekstrem, di mana sebagian besar negara memiliki angka kematian rendah tetapi beberapa negara berpopulasi besar mendominasi angka global.
4. Variabilitas antar kawasan signifikan — Boxplot menunjukkan perbedaan distribusi yang besar antar kawasan, dengan Asia memiliki variabilitas tertinggi karena heterogenitas populasi dan sistem kesehatan.
5. Malaria berhasil dikendalikan — CV malaria yang tinggi (55,5%) dan tren penurunan mengindikasikan keberhasilan program eliminasi malaria di Indonesia.

---

Referensi

• Banerjee, S. (2022). Cause of Deaths Around the World. Kaggle Dataset. https://www.kaggle.com/datasets/iamsouravbanerjee/cause-of-deaths-around-the-world
• GBD 2019 Causes of Death Collaborators. (2020). Global, regional, and national age-sex-specific mortality for 282 causes of death. The Lancet, 392(10159), 1736–1788.
• Ritchie, H., Spooner, F., & Roser, M. (2019). Causes of Death. Our World in Data. https://ourworldindata.org/causes-of-death
• Institute for Health Metrics and Evaluation (IHME). (2020). Global Burden of Disease Study 2019 Results. Seattle: IHME, University of Washington.
• Triola, M. F. (2018). Elementary Statistics (13th ed.). Pearson Education.
• Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probability and Statistics for Engineers and Scientists (9th ed.). Pearson Education.
• R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.