Praktikum · Bab 6.9.2
Transformasi Data
Transformasi Data
Kesehatan Umum
Pipeline lengkap transformasi data pasien — mulai impor, pembersihan, rekayasa fitur, deteksi pencilan, hingga normalisasi siap pakai untuk machine learning.
52250050
52250049
52250071
52250077
52250061
52250069
52250062
52250074
52250057
52250068
| Bagian | Topik | Metode |
|---|---|---|
| 6.9.2.1 | Mengimpor & Memeriksa Data |
read.csv, str(), summary()
|
| 6.9.2.2 | Membersihkan Data | Faktorisasi, standarisasi satuan |
| 6.9.2.3 | Rekayasa Fitur | BMI, kelompok usia, kondisi kronis |
| 6.9.2.4 | Kategorisasi & Pengelompokan | Tekanan darah, aktivitas, ordinal |
| 6.9.2.5 | Deteksi & Penanganan Pencilan | IQR, Z-score |
| 6.9.2.6 | Fitur Temporal & Bergulir | Tanggal, rolling mean |
| 6.9.2.7 | Mengkode Variabel Kategorikal | One-hot, label encoding |
| 6.9.2.8 | Normalisasi & Skala Fitur | Z-score, Min-Max |
# 1. Ubah variabel kategorikal menjadi faktor (factor)
df$Kondisi_Kesehatan <- as.factor(df$Kondisi_Kesehatan)
df$Lokasi <- as.factor(df$Lokasi)
df$Musim <- as.factor(df$Musim)
# Periksa level faktor
cat("Level Kondisi_Kesehatan:\n")#> Level Kondisi_Kesehatan:print(levels(df$Kondisi_Kesehatan))#> [1] "Cardiovascular Disease" "Diabetes" "Healthy"
#> [4] "Hypertension" "Obesity"cat("\nLevel Musim:\n")#>
#> Level Musim:print(levels(df$Musim))#> [1] "Dry Season" "Rainy Season" "Transitional Season"cat("\nLevel Lokasi:\n")#>
#> Level Lokasi:print(levels(df$Lokasi))#> [1] "Bandung" "Jakarta" "Makassar" "Medan" "Surabaya"# 2. Pastikan kolom Tanggal bertipe Date
df$Tanggal <- as.Date(df$Tanggal)
# Periksa rentang tanggal
cat("Rentang tanggal:\n")#> Rentang tanggal:cat(" Terlama :", format(min(df$Tanggal), "%d %B %Y"), "\n")#> Terlama : 02 January 2020cat(" Terbaru :", format(max(df$Tanggal), "%d %B %Y"), "\n")#> Terbaru : 29 December 2024# 3. Verifikasi satuan standar (berat dalam kg, tinggi dalam cm)
# BMI sudah dihitung, pastikan nilai masuk akal
cat("Rentang BMI :", round(min(df$BMI), 1), "–", round(max(df$BMI), 1), "\n")#> Rentang BMI : 13.2 – 37.8cat("Rentang Usia :", min(df$Usia), "–", max(df$Usia), "tahun\n")#> Rentang Usia : 18 – 80 tahuncat("Rentang Glukosa :", round(min(df$Glukosa), 1), "–",
round(max(df$Glukosa), 1), "mg/dL\n")#> Rentang Glukosa : 29.6 – 151.8 mg/dL# 4. Periksa duplikasi berdasarkan ID Pasien
n_duplikat <- sum(duplicated(df$ID_Pasien))
cat("\nJumlah ID duplikat:", n_duplikat, "\n")#>
#> Jumlah ID duplikat: 0# 5. Distribusi frekuensi tiap kondisi kesehatan
cat("Distribusi Kondisi Kesehatan:\n")#> Distribusi Kondisi Kesehatan:tabel_kondisi <- table(df$Kondisi_Kesehatan)
print(tabel_kondisi)#>
#> Cardiovascular Disease Diabetes Healthy
#> 83 89 105
#> Hypertension Obesity
#> 125 98cat("\nProporsi (%):\n")#>
#> Proporsi (%):print(round(prop.table(tabel_kondisi) * 100, 1))#>
#> Cardiovascular Disease Diabetes Healthy
#> 16.6 17.8 21.0
#> Hypertension Obesity
#> 25.0 19.6# Visualisasi distribusi kondisi kesehatan
ggplot(df, aes(x = Kondisi_Kesehatan, fill = Kondisi_Kesehatan)) +
geom_bar(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#2d7a5f","#1e4d7a","#7a5c1e","#8b2a2a","#5a5a72")) +
labs(title = "Distribusi Kondisi Kesehatan Pasien",
x = "Kondisi Kesehatan", y = "Jumlah Pasien") +
theme_minimal(base_size = 11) +
theme(legend.position = "none",
axis.text.x = element_text(angle = 20, hjust = 1),
plot.title = element_text(face = "bold"))
# Distribusi pasien per kota
ggplot(df, aes(x = Lokasi, fill = Lokasi)) +
geom_bar(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#3d3d5c","#6b6b8e","#2d7a5f","#1e4d7a","#7a5c1e")) +
labs(title = "Distribusi Pasien per Kota", x = "Kota", y = "Jumlah") +
theme_minimal(base_size = 11) +
theme(legend.position = "none",
plot.title = element_text(face = "bold"))
📘 Interpretasi – 6.9.2.2 Proses pembersihan
berhasil mengkonversi tiga kolom kategorikal
(Kondisi_Kesehatan, Lokasi,
Musim) menjadi faktor R. Tidak ditemukan duplikasi ID
pasien. Rentang nilai klinis (BMI: 13,2–37,8; Glukosa: 29,6–151,8 mg/dL)
berada dalam batas klinis yang dapat diterima. Distribusi kondisi
kesehatan relatif seimbang dengan Healthy sebagai kategori terbesar.
# 1. Verifikasi rumus BMI (sudah tersedia di dataset)
# BMI = Berat (kg) / Tinggi (m)^2
# Dataset sudah memuat nilai BMI langsung
# Kategorisasi BMI menurut WHO
df$Kategori_BMI <- cut(
df$BMI,
breaks = c(-Inf, 18.5, 24.9, 29.9, Inf),
labels = c("Underweight", "Normal", "Overweight", "Obese"),
right = TRUE
)
cat("Distribusi Kategori BMI:\n")#> Distribusi Kategori BMI:print(table(df$Kategori_BMI))#>
#> Underweight Normal Overweight Obese
#> 25 213 204 58# 2. Klasifikasi kelompok usia
df$Kelompok_Usia <- cut(
df$Usia,
breaks = c(-Inf, 35, 59, Inf),
labels = c("Muda (≤35)", "Dewasa (36-59)", "Lanjut Usia (≥60)"),
right = TRUE
)
cat("\nDistribusi Kelompok Usia:\n")#>
#> Distribusi Kelompok Usia:print(table(df$Kelompok_Usia))#>
#> Muda (≤35) Dewasa (36-59) Lanjut Usia (≥60)
#> 122 205 173# 3. Penanda kondisi kronis: has_diabetes
# Glukosa puasa > 126 mg/dL dianggap indikasi diabetes
df$Has_Diabetes <- ifelse(df$Glukosa > 126, TRUE, FALSE)
cat("\nPasien dengan indikasi Glukosa tinggi (>126 mg/dL):\n")#>
#> Pasien dengan indikasi Glukosa tinggi (>126 mg/dL):print(table(df$Has_Diabetes))#>
#> FALSE TRUE
#> 475 25cat("Proporsi:", round(mean(df$Has_Diabetes) * 100, 1), "%\n")#> Proporsi: 5 %# 4. Penanda hipertensi
# Tekanan darah sistolik > 140 mmHg = hipertensi
df$Has_Hypertension <- ifelse(df$Tekanan_Darah > 140, TRUE, FALSE)
cat("\nPasien dengan indikasi Hipertensi (TD > 140):\n")#>
#> Pasien dengan indikasi Hipertensi (TD > 140):print(table(df$Has_Hypertension))#>
#> FALSE TRUE
#> 442 58cat("Proporsi:", round(mean(df$Has_Hypertension) * 100, 1), "%\n")#> Proporsi: 11.6 %# Tampilkan kolom baru yang dibuat
cat("\nKolom baru hasil rekayasa fitur:\n")#>
#> Kolom baru hasil rekayasa fitur:df %>%
select(ID_Pasien, Usia, BMI, Glukosa, Tekanan_Darah,
Kategori_BMI, Kelompok_Usia, Has_Diabetes, Has_Hypertension) %>%
head(6)#> ID_Pasien Usia BMI Glukosa Tekanan_Darah Kategori_BMI Kelompok_Usia
#> 1 SLy5n7T2vCfd 27 31.5 77.7 122.8 Obese Muda (≤35)
#> 2 SS9WdTh6Gp9l 63 26.9 128.1 119.9 Overweight Lanjut Usia (≥60)
#> 3 5PBRrmglA03t 72 18.2 100.3 146.0 Underweight Lanjut Usia (≥60)
#> 4 0cAGgC7hcyxq 60 19.9 103.4 121.2 Normal Lanjut Usia (≥60)
#> 5 0KSEA9pnVHdd 40 32.5 91.9 109.4 Obese Dewasa (36-59)
#> 6 Zba4dbAEtGwn 71 27.4 102.0 126.2 Overweight Lanjut Usia (≥60)
#> Has_Diabetes Has_Hypertension
#> 1 FALSE FALSE
#> 2 TRUE FALSE
#> 3 FALSE TRUE
#> 4 FALSE FALSE
#> 5 FALSE FALSE
#> 6 FALSE FALSE# Visualisasi distribusi kategori BMI
ggplot(df, aes(x = Kategori_BMI, fill = Kategori_BMI)) +
geom_bar(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#1e4d7a","#2d7a5f","#7a5c1e","#8b2a2a")) +
labs(title = "Distribusi Kategori BMI", x = "Kategori BMI", y = "Jumlah Pasien") +
theme_minimal(base_size = 11) +
theme(legend.position = "none", plot.title = element_text(face = "bold"))
# Visualisasi kelompok usia
ggplot(df, aes(x = Kelompok_Usia, fill = Kelompok_Usia)) +
geom_bar(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#3d3d5c","#6b6b8e","#2d7a5f")) +
labs(title = "Distribusi Kelompok Usia", x = "Kelompok Usia", y = "Jumlah") +
theme_minimal(base_size = 11) +
theme(legend.position = "none", plot.title = element_text(face = "bold"))
📘 Interpretasi – 6.9.2.3 Rekayasa fitur berhasil
menghasilkan empat variabel baru dari data mentah. Kategori BMI
menunjukkan bahwa mayoritas pasien berada dalam rentang Normal
dan Overweight. Penanda Has_Diabetes (glukosa >
126 mg/dL) dan Has_Hypertension (TD > 140 mmHg)
merupakan fitur biner klinis yang berguna sebagai variabel prediktor
dalam pemodelan risiko kesehatan.
📌 Catatan Klinis Ambang batas glukosa > 126 mg/dL mengacu pada standar WHO untuk diagnosis diabetes puasa. Nilai tekanan darah > 140 mmHg merujuk pada kriteria hipertensi Stadium 2 menurut AHA. Pertimbangkan konteks klinis sebelum interpretasi final.
# 1. Kategorisasi tekanan darah (sistolik, mmHg)
# Normal: < 120 | Meningkat: 120–139 | Tinggi: ≥ 140
df$Kategori_TD <- cut(
df$Tekanan_Darah,
breaks = c(-Inf, 119.9, 139.9, Inf),
labels = c("Normal", "Meningkat", "Tinggi"),
right = TRUE
)
cat("Distribusi Kategori Tekanan Darah:\n")#> Distribusi Kategori Tekanan Darah:print(table(df$Kategori_TD))#>
#> Normal Meningkat Tinggi
#> 237 205 58cat("\nProporsi (%):\n")#>
#> Proporsi (%):print(round(prop.table(table(df$Kategori_TD)) * 100, 1))#>
#> Normal Meningkat Tinggi
#> 47.4 41.0 11.6# 2. Kategorisasi kolesterol total (mg/dL)
# Optimal: < 170 | Batas: 170–199 | Tinggi: ≥ 200
df$Kategori_Kolesterol <- cut(
df$Kolesterol,
breaks = c(-Inf, 169.9, 199.9, Inf),
labels = c("Optimal", "Batas", "Tinggi"),
right = TRUE
)
cat("\nDistribusi Kategori Kolesterol:\n")#>
#> Distribusi Kategori Kolesterol:print(table(df$Kategori_Kolesterol))#>
#> Optimal Batas Tinggi
#> 106 130 264# 3. Kategorisasi detak jantung (bpm)
# Lambat: < 60 | Normal: 60–100 | Cepat: > 100
df$Kategori_Detak <- cut(
df$Detak_Jantung,
breaks = c(-Inf, 59.9, 100, Inf),
labels = c("Bradikardi", "Normal", "Takikardi"),
right = TRUE
)
cat("\nDistribusi Kategori Detak Jantung:\n")#>
#> Distribusi Kategori Detak Jantung:print(table(df$Kategori_Detak))#>
#> Bradikardi Normal Takikardi
#> 26 471 3# 4. Variabel ordinal: Skor Risiko Kesehatan (0–3)
# Setiap penanda yang "buruk" menambah 1 poin
df$Skor_Risiko <- as.integer(df$Has_Diabetes) +
as.integer(df$Has_Hypertension) +
as.integer(df$Kategori_BMI %in% c("Overweight", "Obese"))
cat("\nDistribusi Skor Risiko Gabungan (0-3):\n")#>
#> Distribusi Skor Risiko Gabungan (0-3):print(table(df$Skor_Risiko))#>
#> 0 1 2 3
#> 199 260 38 3# Visualisasi kategori tekanan darah
ggplot(df, aes(x = Kategori_TD, fill = Kategori_TD)) +
geom_bar(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#2d7a5f","#7a5c1e","#8b2a2a")) +
labs(title = "Kategori Tekanan Darah Sistolik",
x = "Kategori", y = "Jumlah Pasien") +
theme_minimal(base_size = 11) +
theme(legend.position = "none", plot.title = element_text(face = "bold"))
# Distribusi skor risiko gabungan
df_risiko <- as.data.frame(table(df$Skor_Risiko))
colnames(df_risiko) <- c("Skor", "Jumlah")
ggplot(df_risiko, aes(x = Skor, y = Jumlah, fill = Skor)) +
geom_col(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c("#2d7a5f","#7a5c1e","#8b2a2a","#5a5a72")) +
labs(title = "Distribusi Skor Risiko Kesehatan (0–3)",
x = "Skor Risiko", y = "Jumlah Pasien") +
theme_minimal(base_size = 11) +
theme(legend.position = "none", plot.title = element_text(face = "bold"))
📘 Interpretasi – 6.9.2.4 Kategorisasi tekanan darah mengungkap bahwa sebagian besar pasien berada dalam kategori Meningkat dan Tinggi, mengindikasikan prevalensi hipertensi yang signifikan dalam dataset. Skor risiko gabungan (0–3) memberikan variabel ordinal yang berguna untuk segmentasi pasien berdasarkan beban faktor risiko kumulatif — semakin tinggi skor, semakin banyak intervensi klinis yang diperlukan.
# Fungsi deteksi pencilan dengan metode IQR
deteksi_iqr <- function(x, nama_kolom = "x") {
Q1 <- quantile(x, 0.25, na.rm = TRUE)
Q3 <- quantile(x, 0.75, na.rm = TRUE)
IQR <- Q3 - Q1
batas_bawah <- Q1 - 1.5 * IQR
batas_atas <- Q3 + 1.5 * IQR
pencilan <- x < batas_bawah | x > batas_atas
cat("─── Kolom:", nama_kolom, "───\n")
cat(" Q1:", round(Q1, 2), "| Q3:", round(Q3, 2),
"| IQR:", round(IQR, 2), "\n")
cat(" Batas bawah:", round(batas_bawah, 2),
"| Batas atas:", round(batas_atas, 2), "\n")
cat(" Jumlah pencilan:", sum(pencilan), "\n\n")
return(pencilan)
}# Terapkan deteksi IQR pada kolom klinis utama
kolom_klinis <- c("Tekanan_Darah", "Kolesterol", "Glukosa",
"BMI", "Detak_Jantung")
outlier_flags <- lapply(kolom_klinis, function(k) {
deteksi_iqr(df[[k]], k)
})#> ─── Kolom: Tekanan_Darah ───
#> Q1: 110.38 | Q3: 131.85 | IQR: 21.48
#> Batas bawah: 78.16 | Batas atas: 164.06
#> Jumlah pencilan: 1
#>
#> ─── Kolom: Kolesterol ───
#> Q1: 176.1 | Q3: 233.27 | IQR: 57.17
#> Batas bawah: 90.34 | Batas atas: 319.04
#> Jumlah pencilan: 2
#>
#> ─── Kolom: Glukosa ───
#> Q1: 77.47 | Q3: 103.5 | IQR: 26.03
#> Batas bawah: 38.44 | Batas atas: 142.54
#> Jumlah pencilan: 4
#>
#> ─── Kolom: BMI ───
#> Q1: 22.2 | Q3: 27.8 | IQR: 5.6
#> Batas bawah: 13.8 | Batas atas: 36.2
#> Jumlah pencilan: 4
#>
#> ─── Kolom: Detak_Jantung ───
#> Q1: 68.5 | Q3: 81.73 | IQR: 13.23
#> Batas bawah: 48.66 | Batas atas: 101.56
#> Jumlah pencilan: 4names(outlier_flags) <- kolom_klinis# Metode Z-score untuk kolesterol
df$Z_Kolesterol <- scale(df$Kolesterol)[, 1]
# Pencilan Z-score: |Z| > 3
pencilan_z <- abs(df$Z_Kolesterol) > 3
cat("Pencilan Kolesterol (|Z| > 3):", sum(pencilan_z), "pasien\n")#> Pencilan Kolesterol (|Z| > 3): 2 pasien# Tampilkan pencilan kolesterol
if (sum(pencilan_z) > 0) {
cat("\nDetail pencilan kolesterol:\n")
print(df[pencilan_z, c("ID_Pasien", "Kolesterol", "Z_Kolesterol",
"Kondisi_Kesehatan")])
}#>
#> Detail pencilan kolesterol:
#> ID_Pasien Kolesterol Z_Kolesterol Kondisi_Kesehatan
#> 263 so709AFzB0UJ 325.0 3.038673 Hypertension
#> 496 qiymUnCmMIs9 65.4 -3.422267 Obesity# Penanganan: winsorization (cap di batas IQR)
# Terapkan pada kolesterol (pertimbangkan domain knowledge)
Q1_kol <- quantile(df$Kolesterol, 0.25)
Q3_kol <- quantile(df$Kolesterol, 0.75)
IQR_kol <- Q3_kol - Q1_kol
df$Kolesterol_Clean <- pmin(
pmax(df$Kolesterol, Q1_kol - 1.5 * IQR_kol),
Q3_kol + 1.5 * IQR_kol
)
cat("\nSebelum winsorization — rentang kolesterol:",
round(min(df$Kolesterol), 1), "–", round(max(df$Kolesterol), 1), "\n")#>
#> Sebelum winsorization — rentang kolesterol: 65.4 – 325cat("Setelah winsorization — rentang kolesterol:",
round(min(df$Kolesterol_Clean), 1), "–",
round(max(df$Kolesterol_Clean), 1), "\n")#> Setelah winsorization — rentang kolesterol: 90.3 – 319# Boxplot sebelum & setelah penanganan pencilan (Kolesterol)
par(mfrow = c(1, 2), mar = c(4, 4, 3, 1))
boxplot(df$Kolesterol, main = "Kolesterol\n(Asli)",
col = "#eef4fd", border = "#1e4d7a",
ylab = "mg/dL", cex.main = 0.9)
boxplot(df$Kolesterol_Clean, main = "Kolesterol\n(Setelah Winsorization)",
col = "#eaf4f0", border = "#2d7a5f",
ylab = "mg/dL", cex.main = 0.9)
par(mfrow = c(1, 1))# Visualisasi distribusi glukosa dengan batas IQR
Q1_g <- quantile(df$Glukosa, 0.25)
Q3_g <- quantile(df$Glukosa, 0.75)
IQR_g <- Q3_g - Q1_g
ggplot(df, aes(x = Glukosa)) +
geom_histogram(bins = 30, fill = "#3d3d5c", color = "white", alpha = 0.8) +
geom_vline(xintercept = Q1_g - 1.5 * IQR_g, color = "#8b2a2a", linetype = "dashed") +
geom_vline(xintercept = Q3_g + 1.5 * IQR_g, color = "#8b2a2a", linetype = "dashed") +
labs(title = "Distribusi Glukosa + Batas IQR",
x = "Glukosa (mg/dL)", y = "Frekuensi") +
theme_minimal(base_size = 11) +
theme(plot.title = element_text(face = "bold"))
📘 Interpretasi – 6.9.2.5 Metode IQR berhasil mengidentifikasi pencilan pada beberapa variabel klinis. Winsorization diterapkan pada kolesterol untuk menjaga integritas distribusi tanpa menghapus rekam medis pasien. Penting untuk mempertimbangkan pengetahuan domain: nilai glukosa yang sangat tinggi mungkin valid untuk pasien diabetes, sehingga penghapusan pencilan harus dilakukan secara selektif berdasarkan konteks klinis.
# 1. Ekstrak komponen waktu dari kolom Tanggal
df$Tahun <- as.integer(format(df$Tanggal, "%Y"))
df$Bulan <- as.integer(format(df$Tanggal, "%m"))
df$Kuartal <- paste0("Q", ceiling(df$Bulan / 3))
cat("Distribusi rekam per Tahun:\n")#> Distribusi rekam per Tahun:print(table(df$Tahun))#>
#> 2020 2021 2022 2023 2024
#> 97 97 109 110 87cat("\nDistribusi rekam per Kuartal:\n")#>
#> Distribusi rekam per Kuartal:print(table(df$Kuartal))#>
#> Q1 Q2 Q3 Q4
#> 113 134 134 119# 2. Rata-rata glukosa per bulan (tren temporal)
df_bulanan <- df %>%
mutate(Periode = format(Tanggal, "%Y-%m")) %>%
group_by(Periode) %>%
summarise(
Rata_Glukosa = mean(Glukosa, na.rm = TRUE),
Rata_BMI = mean(BMI, na.rm = TRUE),
N = n(),
.groups = "drop"
) %>%
arrange(Periode)
cat("Rata-rata Glukosa per Periode (6 pertama):\n")#> Rata-rata Glukosa per Periode (6 pertama):print(head(df_bulanan, 6))#> # A tibble: 6 × 4
#> Periode Rata_Glukosa Rata_BMI N
#> <chr> <dbl> <dbl> <int>
#> 1 2020-01 87.0 25.5 6
#> 2 2020-02 95.8 23.6 10
#> 3 2020-03 80.4 24.9 10
#> 4 2020-04 96.2 27.2 8
#> 5 2020-05 108. 23.6 7
#> 6 2020-06 90.4 25.5 12# 3. Rata-rata bergulir (rolling mean) Glukosa — window 3 periode
# Menggunakan fungsi kustom sederhana tanpa paket tambahan
rolling_mean <- function(x, window = 3) {
n <- length(x)
result <- rep(NA_real_, n)
for (i in window:n) {
result[i] <- mean(x[(i - window + 1):i], na.rm = TRUE)
}
return(result)
}
df_bulanan$Rolling_Glukosa_3 <- rolling_mean(df_bulanan$Rata_Glukosa, 3)
cat("\nData tren dengan Rolling Mean (3 periode):\n")#>
#> Data tren dengan Rolling Mean (3 periode):print(df_bulanan[, c("Periode", "Rata_Glukosa", "Rolling_Glukosa_3", "N")])#> # A tibble: 60 × 4
#> Periode Rata_Glukosa Rolling_Glukosa_3 N
#> <chr> <dbl> <dbl> <int>
#> 1 2020-01 87.0 NA 6
#> 2 2020-02 95.8 NA 10
#> 3 2020-03 80.4 87.7 10
#> 4 2020-04 96.2 90.8 8
#> 5 2020-05 108. 94.8 7
#> 6 2020-06 90.4 98.1 12
#> 7 2020-07 81.7 93.3 9
#> 8 2020-08 77.1 83.1 5
#> 9 2020-09 98.5 85.8 10
#> 10 2020-10 87.0 87.5 9
#> # ℹ 50 more rows# 4. Rata-rata per musim
df_musim <- df %>%
group_by(Musim) %>%
summarise(
Rata_Glukosa = round(mean(Glukosa), 2),
Rata_TD = round(mean(Tekanan_Darah), 2),
Rata_BMI = round(mean(BMI), 2),
N_Pasien = n(),
.groups = "drop"
)
cat("Statistik rata-rata per Musim:\n")#> Statistik rata-rata per Musim:print(df_musim)#> # A tibble: 3 × 5
#> Musim Rata_Glukosa Rata_TD Rata_BMI N_Pasien
#> <fct> <dbl> <dbl> <dbl> <int>
#> 1 Dry Season 91.3 122. 25.3 177
#> 2 Rainy Season 91.6 120. 25.2 152
#> 3 Transitional Season 90.5 121. 24.7 171# Plot tren glukosa bulanan + rolling mean
ggplot(df_bulanan, aes(x = Periode, group = 1)) +
geom_line(aes(y = Rata_Glukosa), color = "#6b6b8e",
linewidth = 0.8, alpha = 0.7) +
geom_line(aes(y = Rolling_Glukosa_3), color = "#2d7a5f",
linewidth = 1.2, na.rm = TRUE) +
labs(title = "Tren Glukosa Bulanan + Rolling Mean (3 Periode)",
x = "Periode", y = "Rata-rata Glukosa (mg/dL)",
caption = "Abu-abu: aktual | Hijau: rolling mean") +
theme_minimal(base_size = 10) +
theme(axis.text.x = element_text(angle = 60, hjust = 1, size = 7),
plot.title = element_text(face = "bold", size = 10))
# Perbandingan glukosa antar musim
ggplot(df, aes(x = Musim, y = Glukosa, fill = Musim)) +
geom_boxplot(color = "#3d3d5c", alpha = 0.8, outlier.size = 1) +
scale_fill_manual(values = c("#eef4fd","#eaf4f0","#fdf8ec")) +
labs(title = "Distribusi Glukosa per Musim",
x = "Musim", y = "Glukosa (mg/dL)") +
theme_minimal(base_size = 11) +
theme(legend.position = "none", plot.title = element_text(face = "bold"))
📘 Interpretasi – 6.9.2.6 Fitur temporal berhasil diekstrak dari kolom tanggal, mencakup tahun, bulan, dan kuartal. Rolling mean 3-periode memperhalus fluktuasi acak dalam tren glukosa bulanan, sehingga memudahkan identifikasi pola musiman. Analisis per musim menunjukkan perbedaan kecil namun konsisten dalam rata-rata glukosa dan tekanan darah — informasi yang berguna untuk model prediktif berbasis waktu.
# 1. Normalisasi Z-score (Standardisasi)
# Z = (x - mean) / sd → mean=0, sd=1
fitur_numerik <- c("BMI", "Tekanan_Darah", "Kolesterol",
"Glukosa", "Detak_Jantung", "Usia")
for (col in fitur_numerik) {
col_z <- paste0(col, "_Z")
df[[col_z]] <- as.numeric(scale(df[[col]]))
}
# Verifikasi: mean ≈ 0, sd ≈ 1
cat("Verifikasi Z-score (mean & sd):\n")#> Verifikasi Z-score (mean & sd):z_cols <- paste0(fitur_numerik, "_Z")
z_check <- sapply(z_cols, function(c) {
c(mean = round(mean(df[[c]], na.rm = TRUE), 5),
sd = round(sd(df[[c]], na.rm = TRUE), 3))
})
print(t(z_check))#> mean sd
#> BMI_Z 0 1
#> Tekanan_Darah_Z 0 1
#> Kolesterol_Z 0 1
#> Glukosa_Z 0 1
#> Detak_Jantung_Z 0 1
#> Usia_Z 0 1# 2. Normalisasi Min-Max
# MinMax = (x - min) / (max - min) → rentang [0, 1]
minmax_norm <- function(x) {
(x - min(x, na.rm = TRUE)) / (max(x, na.rm = TRUE) - min(x, na.rm = TRUE))
}
for (col in fitur_numerik) {
col_mm <- paste0(col, "_MM")
df[[col_mm]] <- minmax_norm(df[[col]])
}
# Verifikasi: rentang [0, 1]
cat("\nVerifikasi Min-Max (min & max):\n")#>
#> Verifikasi Min-Max (min & max):mm_cols <- paste0(fitur_numerik, "_MM")
mm_check <- sapply(mm_cols, function(c) {
c(min = round(min(df[[c]], na.rm = TRUE), 3),
max = round(max(df[[c]], na.rm = TRUE), 3))
})
print(t(mm_check))#> min max
#> BMI_MM 0 1
#> Tekanan_Darah_MM 0 1
#> Kolesterol_MM 0 1
#> Glukosa_MM 0 1
#> Detak_Jantung_MM 0 1
#> Usia_MM 0 1# Perbandingan nilai asli vs Z-score vs Min-Max untuk BMI
cat("\nPerbandingan BMI: Asli | Z-score | Min-Max (5 baris):\n")#>
#> Perbandingan BMI: Asli | Z-score | Min-Max (5 baris):print(df[1:5, c("BMI", "BMI_Z", "BMI_MM")])#> BMI BMI_Z BMI_MM
#> 1 31.5 1.536953 0.7439024
#> 2 26.9 0.434473 0.5569106
#> 3 18.2 -1.650652 0.2032520
#> 4 19.9 -1.243214 0.2723577
#> 5 32.5 1.776623 0.7845528# Dataset akhir siap pakai (kolom terpilih)
df_final <- df %>%
select(ID_Pasien, Tanggal, Usia, Lokasi, Kondisi_Kesehatan,
BMI_Z, Tekanan_Darah_Z, Kolesterol_Z, Glukosa_Z, Detak_Jantung_Z,
BMI_MM, Tekanan_Darah_MM, Kolesterol_MM, Glukosa_MM,
Kategori_BMI, Kategori_TD, Has_Diabetes, Has_Hypertension,
Skor_Risiko, BMI_Label, TD_Label)
cat("Dimensi dataset final siap ML:", nrow(df_final), "x", ncol(df_final), "\n")#> Dimensi dataset final siap ML: 500 x 21cat("Kolom dataset final:\n")#> Kolom dataset final:print(names(df_final))#> [1] "ID_Pasien" "Tanggal" "Usia"
#> [4] "Lokasi" "Kondisi_Kesehatan" "BMI_Z"
#> [7] "Tekanan_Darah_Z" "Kolesterol_Z" "Glukosa_Z"
#> [10] "Detak_Jantung_Z" "BMI_MM" "Tekanan_Darah_MM"
#> [13] "Kolesterol_MM" "Glukosa_MM" "Kategori_BMI"
#> [16] "Kategori_TD" "Has_Diabetes" "Has_Hypertension"
#> [19] "Skor_Risiko" "BMI_Label" "TD_Label"# Perbandingan distribusi BMI: sebelum & sesudah normalisasi
par(mfrow = c(2, 1), mar = c(3.5, 3.5, 2.5, 1))
hist(df$BMI, breaks = 30, col = "#eef4fd", border = "#1e4d7a",
main = "BMI — Nilai Asli", xlab = "BMI", ylab = "Frekuensi",
cex.main = 0.9, cex.axis = 0.8)
hist(df$BMI_Z, breaks = 30, col = "#eaf4f0", border = "#2d7a5f",
main = "BMI — Setelah Z-score Normalization",
xlab = "Z-score", ylab = "Frekuensi",
cex.main = 0.9, cex.axis = 0.8)
par(mfrow = c(1, 1))# Scatter plot: Glukosa Z vs BMI Z, warnai per kondisi
ggplot(df, aes(x = BMI_Z, y = Glukosa_Z, color = Kondisi_Kesehatan)) +
geom_point(alpha = 0.5, size = 1.5) +
scale_color_manual(values = c("#2d7a5f","#1e4d7a","#7a5c1e","#8b2a2a","#5a5a72")) +
labs(title = "BMI vs Glukosa (Z-score) per Kondisi",
x = "BMI (Z-score)", y = "Glukosa (Z-score)",
color = "Kondisi") +
theme_minimal(base_size = 10) +
theme(legend.position = "right",
legend.text = element_text(size = 8),
plot.title = element_text(face = "bold", size = 10))
📘 Interpretasi – 6.9.2.8 Normalisasi Z-score menghasilkan fitur dengan mean = 0 dan standar deviasi = 1, ideal untuk algoritma berbasis gradien (regresi logistik, SVM, neural network). Normalisasi Min-Max menghasilkan fitur dalam rentang [0, 1], cocok untuk jaringan saraf dan algoritma berbasis jarak seperti k-NN. Dataset final berisi 21 kolom yang siap untuk pipeline machine learning, mencakup fitur asli, fitur yang direkayasa, variabel yang dikodekan, dan versi yang dinormalisasi.
6
Fitur Z-score
5
Fitur Min-Max
8
Fitur Baru
21
Kolom Final