1. Mengimport Data

Data.Obesitas.Fixx <- read.csv("C:/Users/Asus/Downloads/Data Obesitas Fixx.csv", sep=";")
View(Data.Obesitas.Fixx)

2. Visualisasi Scatter Plot

2.1 Scatter Plot Variabel Tinggi Badan dan Berat Badan

library(ggplot2)
ggplot(Data.Obesitas.Fixx,aes(x=Height, y=Weight)) + geom_point() + geom_smooth(method = lm, se = F) +
scale_x_continuous(breaks = seq(0.00, 1.99, by = 0.05)) + scale_y_continuous(breaks = seq(20, 180, by = 10))
## `geom_smooth()` using formula = 'y ~ x'

Interpretasi: Berdasarkan hasil scatter plot di atas, diketahui bahwa variabel tinggi badan dan berat badan terdapat hubungan linier positif. Hal ini menunjukkan bahwa pola sebaran data cenderung mengikuti garis regresi. Artinya, semakin tinggi nilai variabel tinggi badan maka akan meningkatkan nilai variabel berat badan.

2.2 Scatter Plot Variabel Umur dan Berat Badan

ggplot(Data.Obesitas.Fixx,aes(x=Age, y=Weight)) + geom_point() + geom_smooth(method = lm, se = F) + 
scale_x_continuous(breaks = seq(10, 60, by = 2)) + scale_y_continuous(breaks = seq(20, 180, by = 10))
## `geom_smooth()` using formula = 'y ~ x'

Interpretasi: Berdasarkan hasil scatter plot di atas, diketahui bahwa variabel umur dan berat badan terdapat hubungan linier positif. Hal ini menunjukkan bahwa pola sebaran data cenderung mengikuti garis regresi. Artinya, semakin tinggi nilai variabel umur maka akan meningkatkan nilai variabel berat badan.

2.3 Scatter Plot Variabel Umur dan Tinggi Badan

ggplot(Data.Obesitas.Fixx,aes(x=Age, y=Height)) + geom_point() + geom_smooth(method = lm, se = F) + 
scale_x_continuous(breaks = seq(10, 60, by = 2)) + scale_y_continuous(breaks = seq(0.00, 1.99, by = 0.04))
## `geom_smooth()` using formula = 'y ~ x'

Interpretasi: Berdasarkan hasil scatter plot di atas, diketahui bahwa variabel umur dan tinggi badan terdapat hubungan linier positif. Hal ini menunjukkan bahwa pola sebaran data cenderung mengikuti garis regresi. Artinya, semakin tinggi nilai variabel umur maka akan meningkatkan nilai variabel tinggi badan.