1. Import Data
Memasukkan dataset dari file CSV ke dalam R.
Kode :
databaru <- read.csv("D:/Pengantar Sains Data/data_kesehatan.csv")
head(databaru,10)
## X id umur jenis_kelamin tinggi_badan berat_badan gula_darah
## 1 1 1 33 Perempuan 159.5587 62.85027 80.08403
## 2 2 2 59 Perempuan 152.9881 54.73592 79.20090
## 3 3 3 39 Perempuan 156.1915 66.84162 99.64040
## 4 4 4 64 Laki-laki 173.8024 54.83932 97.35650
## 5 5 5 67 Perempuan 164.0242 62.21020 49.01314
## 6 6 6 20 Perempuan 150.0967 61.15284 120.81147
## 7 7 7 45 Perempuan 157.9015 59.39500 104.99451
## 8 8 8 64 Laki-laki 165.8377 55.87974 148.32415
## 9 9 9 47 Perempuan 156.7671 62.21052 113.70396
## 10 10 10 42 Perempuan 161.3638 58.73365 91.06081
## tekanan_sistolik tekanan_diastolik kolesterol skor_kesehatan
## 1 129.2978 69.13882 181.3293 100.00000
## 2 108.6373 73.34697 209.6954 100.00000
## 3 132.7729 87.14848 176.3801 88.52949
## 4 108.7811 75.68339 172.1841 100.00000
## 5 129.4536 82.27615 138.6886 100.00000
## 6 136.4499 92.94946 183.7165 75.39378
## 7 105.1734 85.78335 264.3624 80.21044
## 8 136.6199 93.64673 219.6911 59.51184
## 9 112.6570 62.98420 240.2672 76.40171
## 10 124.4153 77.19324 217.4490 95.02224
File CSV → read.csv() → disimpan sebagai ‘databaru’ → head() →
tampil 10 baris pertama
2. Data Structures
Mengetahui struktur dan ringkasan isi dataset.
A. Melihat struktur data
kode :
str(databaru)
## 'data.frame': 200 obs. of 11 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ id : int 1 2 3 4 5 6 7 8 9 10 ...
## $ umur : int 33 59 39 64 67 20 45 64 47 42 ...
## $ jenis_kelamin : chr "Perempuan" "Perempuan" "Perempuan" "Laki-laki" ...
## $ tinggi_badan : num 160 153 156 174 164 ...
## $ berat_badan : num 62.9 54.7 66.8 54.8 62.2 ...
## $ gula_darah : num 80.1 79.2 99.6 97.4 49 ...
## $ tekanan_sistolik : num 129 109 133 109 129 ...
## $ tekanan_diastolik: num 69.1 73.3 87.1 75.7 82.3 ...
## $ kolesterol : num 181 210 176 172 139 ...
## $ skor_kesehatan : num 100 100 88.5 100 100 ...
B. Ringkasan statistik
kode :
summary(databaru)
## X id umur jenis_kelamin
## Min. : 1.00 Min. : 1.00 Min. :18.00 Length :200
## 1st Qu.: 50.75 1st Qu.: 50.75 1st Qu.:32.00 N.unique : 2
## Median :100.50 Median :100.50 Median :43.00 N.blank : 0
## Mean :100.50 Mean :100.50 Mean :44.31 Min.nchar: 9
## 3rd Qu.:150.25 3rd Qu.:150.25 3rd Qu.:56.00 Max.nchar: 9
## Max. :200.00 Max. :200.00 Max. :70.00
## tinggi_badan berat_badan gula_darah tekanan_sistolik
## Min. :143.1 Min. :39.94 Min. : 49.01 Min. : 85.29
## 1st Qu.:159.4 1st Qu.:57.82 1st Qu.: 86.74 1st Qu.:108.77
## Median :165.1 Median :63.35 Median :100.44 Median :119.92
## Mean :165.8 Mean :64.75 Mean :101.01 Mean :119.53
## 3rd Qu.:171.7 3rd Qu.:72.17 3rd Qu.:111.90 3rd Qu.:129.62
## Max. :186.9 Max. :96.92 Max. :163.68 Max. :170.86
## tekanan_diastolik kolesterol skor_kesehatan
## Min. : 53.05 Min. : 98.56 Min. : 45.45
## 1st Qu.: 74.21 1st Qu.:172.44 1st Qu.: 84.30
## Median : 81.64 Median :190.25 Median : 92.92
## Mean : 80.64 Mean :191.80 Mean : 89.61
## 3rd Qu.: 87.18 3rd Qu.:216.47 3rd Qu.:100.00
## Max. :102.84 Max. :288.72 Max. :100.00
3. Missing Value
Mengecek apakah terdapat data kosong atau nilai yang hilang.
kode :
colSums(is.na(databaru))
## X id umur jenis_kelamin
## 0 0 0 0
## tinggi_badan berat_badan gula_darah tekanan_sistolik
## 0 0 0 0
## tekanan_diastolik kolesterol skor_kesehatan
## 0 0 0
Angka 0 berarti tidak ada data kosong pada kolom
tersebut.
4. Select Data
Select data digunakan untuk memilih kolom tertentu dari dataset
kesehatan yang ingin dianalisis, sehingga kita tidak perlu menampilkan
seluruh kolom.
kode :
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
datapilihan<-select(databaru, umur, jenis_kelamin, gula_darah, kolesterol)
head(datapilihan)
## umur jenis_kelamin gula_darah kolesterol
## 1 33 Perempuan 80.08403 181.3293
## 2 59 Perempuan 79.20090 209.6954
## 3 39 Perempuan 99.64040 176.3801
## 4 64 Laki-laki 97.35650 172.1841
## 5 67 Perempuan 49.01314 138.6886
## 6 20 Perempuan 120.81147 183.7165
Data yang ditampilkan adalah data yang sudah dipilih seperti umur,
jenis kelamin, gula darah dan kolesterol
5. Filter and Sort Data
A. Filter data pasien perempuan
kode :
data_perempuan <- filter(databaru, jenis_kelamin == "Perempuan")
head(data_perempuan)
## 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 5 5 67 Perempuan 164.0242 62.21020 49.01314 129.4536
## 5 6 6 20 Perempuan 150.0967 61.15284 120.81147 136.4499
## 6 7 7 45 Perempuan 157.9015 59.39500 104.99451 105.1734
## 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 82.27615 138.6886 100.00000
## 5 92.94946 183.7165 75.39378
## 6 85.78335 264.3624 80.21044
Memfilter data pada databaru untuk mengambil data pasien yang
memiliki jenis kelamin Perempuan. Hasilnya disimpan sebagai
data_perempuan, kemudian ditampilkan enam baris pertama.
B. Urutkan berdasar umur (ascending : muda -> tua)
kode :
data_perempuan_asc <- arrange (data_perempuan, umur)
head(data_perempuan_asc)
## X id umur jenis_kelamin tinggi_badan berat_badan gula_darah
## 1 74 74 18 Perempuan 158.5639 67.22813 88.35197
## 2 35 35 19 Perempuan 160.1156 58.46580 118.71207
## 3 143 143 19 Perempuan 164.2250 46.51267 101.38473
## 4 6 6 20 Perempuan 150.0967 61.15284 120.81147
## 5 113 113 21 Perempuan 165.2948 60.80736 148.48978
## 6 15 15 23 Perempuan 157.5179 62.21498 95.77506
## tekanan_sistolik tekanan_diastolik kolesterol skor_kesehatan
## 1 115.8018 78.55389 169.9797 100.00000
## 2 116.9422 53.04671 185.0664 91.28614
## 3 111.2691 79.23829 185.8415 93.74989
## 4 136.4499 92.94946 183.7165 75.39378
## 5 130.7502 87.61310 155.9962 80.16160
## 6 117.9579 83.07390 174.0120 100.00000
C. Urutkan berdasarkan umur (descending : tua ->
muda)
kode :
data_perempuan_dsc <- arrange (data_perempuan,desc(umur))
head(data_perempuan_dsc)
## X id umur jenis_kelamin tinggi_badan berat_badan gula_darah
## 1 87 87 69 Perempuan 165.4886 51.69495 82.16957
## 2 11 11 68 Perempuan 162.9534 39.93666 155.94782
## 3 104 104 68 Perempuan 164.5064 73.11242 71.98425
## 4 118 118 68 Perempuan 161.8601 44.59884 90.92707
## 5 5 5 67 Perempuan 164.0242 62.21020 49.01314
## 6 111 111 67 Perempuan 159.4158 80.60360 87.50143
## tekanan_sistolik tekanan_diastolik kolesterol skor_kesehatan
## 1 116.02074 74.12914 165.4848 100.00000
## 2 123.02756 80.65068 224.3279 48.51474
## 3 125.31528 86.27069 246.0597 88.18862
## 4 94.45553 86.82315 160.2581 100.00000
## 5 129.45360 82.27615 138.6886 100.00000
## 6 140.13936 77.61751 157.8476 88.14031
6. Rename and Mutate
A. Ganti nama kolom
Mengganti nama kolom dari id -> id_pasien
kode :
data_rename <- rename(databaru, id_pasien = id)
data_rename
## X id_pasien umur jenis_kelamin tinggi_badan berat_badan gula_darah
## 1 1 1 33 Perempuan 159.5587 62.85027 80.08403
## 2 2 2 59 Perempuan 152.9881 54.73592 79.20090
## 3 3 3 39 Perempuan 156.1915 66.84162 99.64040
## 4 4 4 64 Laki-laki 173.8024 54.83932 97.35650
## 5 5 5 67 Perempuan 164.0242 62.21020 49.01314
## 6 6 6 20 Perempuan 150.0967 61.15284 120.81147
## 7 7 7 45 Perempuan 157.9015 59.39500 104.99451
## 8 8 8 64 Laki-laki 165.8377 55.87974 148.32415
## 9 9 9 47 Perempuan 156.7671 62.21052 113.70396
## 10 10 10 42 Perempuan 161.3638 58.73365 91.06081
## 11 11 11 68 Perempuan 162.9534 39.93666 155.94782
## 12 12 12 42 Laki-laki 171.7058 57.82400 156.64452
## 13 13 13 53 Laki-laki 178.6273 86.87589 75.62576
## 14 14 14 48 Perempuan 159.2637 61.65035 109.38064
## 15 15 15 23 Perempuan 157.5179 62.21498 95.77506
## 16 16 16 65 Perempuan 144.1411 66.57205 103.74102
## 17 17 17 31 Perempuan 159.4424 58.44678 104.55085
## 18 18 18 20 Laki-laki 164.9385 63.24518 74.76199
## 19 19 19 35 Perempuan 163.2124 52.62787 105.71179
## 20 20 20 68 Laki-laki 161.0070 85.46609 134.98495
## 21 21 21 64 Perempuan 170.6770 50.16811 96.71820
## 22 22 22 54 Laki-laki 174.3259 73.18390 96.74147
## 23 23 23 51 Laki-laki 177.7689 78.46436 127.97144
## 24 24 24 70 Laki-laki 174.9531 71.78190 117.96792
## 25 25 25 52 Perempuan 155.6892 57.85835 67.03010
## 26 26 26 55 Perempuan 157.2980 55.26486 104.57114
## 27 27 27 46 Laki-laki 165.0678 71.70588 133.07094
## 28 28 28 49 Laki-laki 164.9795 59.36502 128.30553
## 29 29 29 33 Perempuan 169.8014 50.64308 108.39903
## 30 30 30 26 Laki-laki 162.8909 90.86717 114.42442
## 31 31 31 68 Laki-laki 183.6871 63.21497 76.06130
## 32 32 32 65 Perempuan 162.2705 55.22136 106.00263
## 33 33 33 54 Perempuan 161.8002 66.31568 80.91102
## 34 34 34 59 Laki-laki 164.8303 73.10230 90.83964
## 35 35 35 19 Perempuan 160.1156 58.46580 118.71207
## 36 36 36 43 Perempuan 153.5355 62.27103 77.26214
## 37 37 37 57 Perempuan 164.2762 45.99146 105.33837
## 38 38 38 29 Perempuan 166.5087 53.45064 108.56664
## 39 39 39 35 Perempuan 146.6501 60.44972 101.09824
## 40 40 40 30 Laki-laki 164.5292 65.07063 136.44378
## 41 41 41 25 Laki-laki 164.4796 61.65812 79.55305
## 42 42 42 40 Perempuan 162.7286 81.47887 112.12261
## 43 43 43 40 Laki-laki 180.4724 71.57353 98.22139
## 44 44 44 37 Perempuan 158.8007 60.51395 94.78336
## 45 45 45 26 Laki-laki 168.7466 66.04202 109.28182
## 46 46 46 25 Laki-laki 183.3165 78.99354 79.59199
## 47 47 47 30 Laki-laki 169.2932 61.69188 73.73098
## 48 48 48 42 Perempuan 165.2998 68.36245 90.11038
## 49 49 49 32 Perempuan 147.6860 72.92436 135.03514
## 50 50 50 63 Perempuan 150.1817 59.76245 101.11530
## 51 51 51 20 Laki-laki 167.3708 50.61495 106.62869
## 52 52 52 41 Perempuan 166.2798 59.22070 96.20307
## 53 53 53 60 Perempuan 162.6117 68.13164 109.40985
## 54 54 54 24 Laki-laki 170.6335 55.49176 80.96641
## 55 55 55 47 Laki-laki 181.1896 74.80626 123.15821
## 56 56 56 29 Laki-laki 169.3800 61.71826 111.69411
## 57 57 57 25 Laki-laki 177.5656 80.20253 83.87094
## 58 58 58 57 Laki-laki 174.4153 75.38482 101.09106
## 59 59 59 65 Perempuan 161.3837 61.17367 114.32663
## 60 60 60 37 Laki-laki 159.2697 71.20719 111.15462
## 61 61 61 53 Perempuan 165.2318 67.28968 129.63868
## 62 62 62 23 Perempuan 157.9092 61.13967 87.74024
## 63 63 63 38 Perempuan 163.1110 48.88413 122.32273
## 64 64 64 32 Laki-laki 179.1014 69.71605 120.73096
## 65 65 65 60 Perempuan 153.4433 58.69372 96.75034
## 66 66 66 41 Laki-laki 180.8331 70.31526 80.48147
## 67 67 67 60 Perempuan 164.4454 45.11818 78.21710
## 68 68 68 60 Laki-laki 157.7043 68.44655 109.15574
## 69 69 69 59 Laki-laki 167.2785 75.68289 98.57747
## 70 70 70 41 Laki-laki 170.6245 80.10678 135.58205
## 71 71 71 57 Laki-laki 175.9151 64.82018 110.70276
## 72 72 72 51 Laki-laki 176.7377 67.05905 92.56110
## 73 73 73 55 Laki-laki 174.7902 73.97842 79.48916
## 74 74 74 18 Perempuan 158.5639 67.22813 88.35197
## 75 75 75 43 Laki-laki 175.9475 70.91267 106.85777
## 76 76 76 29 Perempuan 160.9101 75.60577 90.98131
## 77 77 77 38 Laki-laki 171.2236 58.80100 110.28460
## 78 78 78 50 Laki-laki 170.5219 56.72245 93.31324
## 79 79 79 36 Laki-laki 172.9972 61.46376 97.88880
## 80 80 80 24 Laki-laki 170.1727 63.06695 85.38981
## 81 81 81 31 Perempuan 160.1227 63.81630 138.10087
## 82 82 82 53 Perempuan 161.8843 52.22405 106.65243
## 83 83 83 40 Laki-laki 172.7022 62.72616 104.61267
## 84 84 84 59 Laki-laki 168.1404 60.03161 66.16275
## 85 85 85 23 Laki-laki 170.8270 59.58311 113.19584
## 86 86 86 41 Perempuan 164.6732 63.65886 79.52753
## 87 87 87 69 Perempuan 165.4886 51.69495 82.16957
## 88 88 88 64 Perempuan 156.5536 55.16389 118.36682
## 89 89 89 64 Laki-laki 168.4666 66.78675 90.94599
## 90 90 90 27 Perempuan 157.7143 63.16237 65.03255
## 91 91 91 25 Laki-laki 178.1787 69.08566 135.39808
## 92 92 92 52 Laki-laki 177.3793 81.87187 52.45186
## 93 93 93 36 Laki-laki 178.0168 81.91601 111.45623
## 94 94 94 52 Laki-laki 165.9577 62.11037 120.34498
## 95 95 95 35 Laki-laki 184.0174 54.52223 87.38064
## 96 96 96 28 Perempuan 151.8515 54.39197 108.88574
## 97 97 97 59 Perempuan 161.0911 61.92837 108.78261
## 98 98 98 23 Perempuan 160.9890 57.18037 120.81246
## 99 99 99 42 Laki-laki 170.1469 74.20574 109.68199
## 100 100 100 45 Laki-laki 178.7494 53.85961 95.10232
## 101 101 101 49 Perempuan 156.3886 51.88709 118.31984
## 102 102 102 35 Perempuan 154.0378 53.66949 116.01245
## 103 103 103 43 Laki-laki 163.4302 63.06905 81.26862
## 104 104 104 68 Perempuan 164.5064 73.11242 71.98425
## 105 105 105 43 Laki-laki 166.9399 56.35291 103.20555
## 106 106 106 64 Laki-laki 172.3183 75.89983 94.52075
## 107 107 107 66 Perempuan 154.6243 66.60738 80.28922
## 108 108 108 50 Laki-laki 171.4839 60.95785 101.67861
## 109 109 109 39 Laki-laki 178.6567 72.26325 73.60007
## 110 110 110 26 Laki-laki 184.2630 77.48081 103.22453
## 111 111 111 67 Perempuan 159.4158 80.60360 87.50143
## 112 112 112 34 Laki-laki 175.2974 67.87152 119.14329
## 113 113 113 21 Perempuan 165.2948 60.80736 148.48978
## 114 114 114 67 Laki-laki 165.7895 69.13286 81.68042
## 115 115 115 55 Perempuan 156.3014 64.71869 121.15328
## 116 116 116 25 Perempuan 155.5912 68.77287 116.50299
## 117 117 117 47 Perempuan 159.2092 71.56530 98.59612
## 118 118 118 68 Perempuan 161.8601 44.59884 90.92707
## 119 119 119 48 Laki-laki 181.7910 73.73241 131.50615
## 120 120 120 39 Laki-laki 176.3797 74.03290 59.89084
## 121 121 121 52 Laki-laki 171.6620 59.58327 87.13610
## 122 122 122 35 Perempuan 159.3503 58.30280 71.26313
## 123 123 123 34 Laki-laki 160.6286 76.41830 127.90627
## 124 124 124 29 Laki-laki 174.6257 54.70689 96.18593
## 125 125 125 37 Perempuan 166.6879 65.32128 89.50658
## 126 126 126 69 Laki-laki 174.7862 72.50248 163.68089
## 127 127 127 26 Laki-laki 169.5742 75.63867 98.99925
## 128 128 128 23 Perempuan 160.8346 61.57022 91.12501
## 129 129 129 25 Laki-laki 179.3486 62.67146 105.99731
## 130 130 130 54 Perempuan 156.6493 63.44879 68.63151
## 131 131 131 50 Perempuan 163.6322 61.51002 109.80605
## 132 132 132 64 Perempuan 156.9620 49.26205 98.07674
## 133 133 133 53 Laki-laki 164.9488 50.56349 109.37050
## 134 134 134 56 Laki-laki 180.6345 83.99576 80.35259
## 135 135 135 45 Laki-laki 172.6417 69.43944 79.54032
## 136 136 136 52 Laki-laki 155.6344 75.24914 86.13171
## 137 137 137 61 Perempuan 166.9915 54.50547 84.64021
## 138 138 138 59 Laki-laki 168.5945 69.03314 125.98100
## 139 139 139 69 Laki-laki 176.0605 69.24737 131.58291
## 140 140 140 41 Laki-laki 169.2868 80.19157 96.86216
## 141 141 141 34 Laki-laki 174.3693 77.11602 92.82127
## 142 142 142 39 Perempuan 157.1878 57.12020 93.41922
## 143 143 143 19 Perempuan 164.2250 46.51267 101.38473
## 144 144 144 28 Laki-laki 170.3921 76.64416 101.93808
## 145 145 145 62 Perempuan 165.1982 56.33792 105.80069
## 146 146 146 30 Laki-laki 157.7273 47.89367 85.06642
## 147 147 147 30 Laki-laki 170.6953 96.91714 83.06207
## 148 148 148 22 Laki-laki 165.9970 65.17323 123.94155
## 149 149 149 31 Perempuan 174.5814 57.82186 89.02745
## 150 150 150 56 Laki-laki 168.7407 73.74644 106.06091
## 151 151 151 62 Laki-laki 177.1046 85.38430 98.86059
## 152 152 152 44 Laki-laki 156.0508 68.90290 80.84301
## 153 153 153 38 Perempuan 166.6643 61.24925 111.82124
## 154 154 154 31 Laki-laki 170.8165 72.13958 103.46210
## 155 155 155 24 Laki-laki 163.7475 68.13879 127.99567
## 156 156 156 38 Perempuan 151.2462 47.02513 102.34919
## 157 157 157 48 Laki-laki 172.8800 80.12834 93.36908
## 158 158 158 29 Laki-laki 169.7687 67.98542 105.56590
## 159 159 159 41 Laki-laki 152.7387 49.62318 76.28817
## 160 160 160 29 Perempuan 156.2225 67.64293 83.28212
## 161 161 161 44 Perempuan 154.9969 66.27337 110.20547
## 162 162 162 36 Laki-laki 174.5584 76.16456 93.33758
## 163 163 163 52 Laki-laki 171.9164 76.16568 98.68078
## 164 164 164 37 Laki-laki 177.1727 53.07898 97.69557
## 165 165 165 36 Perempuan 152.8828 60.77269 86.98975
## 166 166 166 46 Laki-laki 168.5314 79.67859 59.62623
## 167 167 167 56 Perempuan 163.1979 45.21222 106.97670
## 168 168 168 29 Laki-laki 163.3821 67.75039 115.23279
## 169 169 169 39 Perempuan 158.1895 59.37969 74.22568
## 170 170 170 32 Laki-laki 166.7727 84.87838 129.64805
## 171 171 171 51 Laki-laki 186.9174 53.32072 107.70310
## 172 172 172 28 Laki-laki 158.4427 65.63170 126.83281
## 173 173 173 63 Perempuan 155.3096 48.01041 80.85659
## 174 174 174 57 Perempuan 161.9224 51.18813 103.33563
## 175 175 175 53 Laki-laki 173.5709 72.79628 97.99972
## 176 176 176 50 Laki-laki 165.8736 88.77864 115.37015
## 177 177 177 37 Perempuan 164.0395 53.60389 88.48281
## 178 178 178 46 Laki-laki 171.0113 67.21546 99.79805
## 179 179 179 63 Laki-laki 169.8998 74.74912 64.42682
## 180 180 180 48 Perempuan 160.1566 61.17134 84.44757
## 181 181 181 62 Laki-laki 170.2419 78.13400 102.50068
## 182 182 182 34 Perempuan 159.3859 51.00317 85.87357
## 183 183 183 55 Perempuan 152.9106 57.55624 99.12861
## 184 184 184 32 Perempuan 162.9919 55.86592 90.64148
## 185 185 185 49 Perempuan 153.7663 72.09916 112.13860
## 186 186 186 43 Perempuan 158.6427 53.84412 123.36977
## 187 187 187 32 Perempuan 162.2886 59.34330 83.54997
## 188 188 188 47 Perempuan 155.2989 66.29707 93.85927
## 189 189 189 65 Perempuan 163.4979 51.53128 128.79523
## 190 190 190 65 Laki-laki 172.4227 63.46220 56.02153
## 191 191 191 32 Perempuan 143.1414 65.40610 93.60324
## 192 192 192 35 Laki-laki 154.8965 60.86434 141.29409
## 193 193 193 69 Laki-laki 176.1898 78.86749 143.87180
## 194 194 194 50 Laki-laki 164.1937 73.33370 103.13191
## 195 195 195 67 Laki-laki 165.9851 68.29360 82.72782
## 196 196 196 42 Laki-laki 180.5273 78.18828 103.30915
## 197 197 197 39 Laki-laki 164.5810 73.88365 86.94451
## 198 198 198 52 Laki-laki 175.9201 65.54065 129.05635
## 199 199 199 26 Perempuan 167.0871 55.81907 83.87035
## 200 200 200 48 Perempuan 171.1595 58.00647 107.45823
## tekanan_sistolik tekanan_diastolik kolesterol skor_kesehatan
## 1 129.29775 69.13882 181.32930 100.00000
## 2 108.63735 73.34697 209.69540 100.00000
## 3 132.77287 87.14848 176.38007 88.52949
## 4 108.78105 75.68339 172.18406 100.00000
## 5 129.45360 82.27615 138.68861 100.00000
## 6 136.44992 92.94946 183.71655 75.39378
## 7 105.17336 85.78335 264.36237 80.21044
## 8 136.61993 93.64673 219.69107 59.51184
## 9 112.65701 62.98420 240.26716 76.40171
## 10 124.41530 77.19324 217.44896 95.02224
## 11 123.02756 80.65068 224.32788 48.51474
## 12 113.59205 85.78589 217.08629 62.26762
## 13 124.02154 68.30793 204.26177 96.82670
## 14 101.54354 88.06185 172.52414 100.00000
## 15 117.95795 83.07390 174.01196 100.00000
## 16 132.38686 82.63806 141.97480 85.92333
## 17 87.38813 85.08485 189.82547 100.00000
## 18 97.68111 78.83642 216.98067 100.00000
## 19 102.57094 89.25546 220.95768 90.72733
## 20 96.16365 86.48230 192.85398 67.80169
## 21 126.29375 78.49791 173.57117 94.09372
## 22 105.10607 90.40377 288.71552 77.75112
## 23 87.53179 82.92559 212.10057 85.65371
## 24 110.43647 86.68751 232.61726 80.64646
## 25 114.14047 74.05822 179.86958 100.00000
## 26 132.85178 95.80432 188.86127 93.04345
## 27 103.44372 79.96011 203.45821 76.98552
## 28 137.41934 88.47843 240.29567 67.08839
## 29 125.97544 78.99883 180.65576 87.27387
## 30 125.43528 77.20370 215.60847 60.08132
## 31 107.21211 87.84438 127.15556 100.00000
## 32 149.30502 64.15383 174.78237 88.97758
## 33 117.53594 84.78366 151.23973 100.00000
## 34 92.62654 83.93566 223.40088 95.54148
## 35 116.94215 53.04671 185.06641 91.28614
## 36 90.98334 83.68377 178.28878 100.00000
## 37 115.34235 58.31582 231.07300 78.69969
## 38 113.66659 86.59804 223.48819 84.01331
## 39 130.22745 75.46086 163.05936 90.56092
## 40 135.14244 73.05063 202.83599 69.44558
## 41 109.10843 79.93154 153.14666 100.00000
## 42 132.09163 93.73052 175.73155 75.93673
## 43 141.36485 73.64677 238.49733 81.59355
## 44 108.23784 85.58103 233.50384 91.65975
## 45 110.21393 83.41158 223.27056 87.91820
## 46 129.76168 68.20481 172.87288 100.00000
## 47 122.74572 62.58978 133.55706 100.00000
## 48 128.23162 60.07414 154.72905 100.00000
## 49 141.07026 85.51274 218.57670 45.44594
## 50 125.80625 79.65258 181.28296 90.69250
## 51 135.77552 98.50572 125.12176 99.78350
## 52 129.34358 85.73675 184.59438 98.97290
## 53 126.50431 88.49696 232.30718 75.01840
## 54 125.79127 93.34384 209.30406 96.87835
## 55 139.36985 74.99281 165.36224 86.55135
## 56 104.96610 85.10098 143.62250 100.00000
## 57 103.42226 88.68793 165.20358 100.00000
## 58 128.87919 93.69352 191.03583 90.67423
## 59 118.20466 87.62651 216.64221 83.79867
## 60 121.11008 84.21147 131.80180 96.46025
## 61 131.11916 71.31776 220.69605 68.50658
## 62 131.29943 87.29560 190.16373 97.28383
## 63 116.05994 85.00266 207.09337 78.62644
## 64 115.31184 86.34250 140.40233 100.00000
## 65 121.10398 84.23645 170.00037 100.00000
## 66 135.94527 77.98162 176.55297 100.00000
## 67 126.39031 79.23134 221.31674 90.30077
## 68 141.49511 86.87364 220.84522 69.50376
## 69 119.88545 81.71632 203.05271 87.39251
## 70 136.88501 71.69891 238.12637 53.51686
## 71 133.24503 77.09841 174.53766 91.99147
## 72 129.18125 66.80874 220.37612 92.00174
## 73 126.22051 70.32968 188.92180 100.00000
## 74 115.80176 78.55389 169.97974 100.00000
## 75 118.36444 62.01867 217.70140 88.37807
## 76 123.44093 63.11458 231.43301 78.60337
## 77 120.73333 91.02565 216.34751 84.13958
## 78 134.14837 74.23381 174.71790 97.46217
## 79 118.36024 61.48308 175.90637 100.00000
## 80 118.94435 78.87137 231.33028 96.88081
## 81 112.73521 93.21069 200.58479 74.94486
## 82 117.92496 86.62254 214.88722 86.99939
## 83 118.96852 84.41383 179.83894 98.63909
## 84 85.29396 91.83746 227.83105 100.00000
## 85 99.52752 72.28499 165.73735 100.00000
## 86 118.91270 87.29689 208.76055 100.00000
## 87 116.02074 74.12914 165.48475 100.00000
## 88 101.98696 80.00764 116.12275 100.00000
## 89 90.12693 102.14465 149.71127 100.00000
## 90 114.68446 89.69434 194.08886 100.00000
## 91 129.80244 87.68008 216.48768 71.93331
## 92 146.59858 68.91672 137.46094 100.00000
## 93 119.42315 72.13764 152.45727 96.15151
## 94 142.39777 102.84116 242.93638 68.02514
## 95 121.24533 69.06699 176.98302 97.35104
## 96 121.73298 82.14479 205.17100 88.01014
## 97 124.87238 88.92571 174.19194 94.20821
## 98 106.94134 90.18758 181.04251 96.06106
## 99 119.22423 90.89112 192.61733 87.49844
## 100 133.62672 78.36871 190.32886 87.53790
## 101 108.75411 71.79013 184.22319 94.46348
## 102 115.17591 76.92743 175.90611 95.88734
## 103 102.78344 70.97902 98.56417 100.00000
## 104 125.31528 86.27069 246.05967 88.18862
## 105 126.37200 91.20355 243.71273 79.28644
## 106 129.72521 101.27214 156.96755 100.00000
## 107 101.70285 83.66114 184.95677 100.00000
## 108 121.60853 71.25219 231.25826 85.76841
## 109 105.83913 90.24475 219.94870 100.00000
## 110 119.99423 89.04759 228.29805 87.17492
## 111 140.13936 77.61751 157.84759 88.14031
## 112 112.44712 64.42145 267.31804 73.44250
## 113 130.75025 87.61310 155.99620 80.16160
## 114 108.75497 91.29144 212.61749 100.00000
## 115 112.82208 77.04892 194.23828 81.77373
## 116 126.58083 85.36243 177.88869 79.76589
## 117 109.81332 77.24110 178.61753 94.47592
## 118 94.45553 86.82315 160.25810 100.00000
## 119 138.97753 78.82709 238.67979 65.12971
## 120 125.40536 76.55324 192.68540 100.00000
## 121 111.24541 81.11620 197.77654 100.00000
## 122 90.08882 77.16595 196.28898 100.00000
## 123 148.53315 74.08983 178.74488 64.11414
## 124 170.85556 76.84063 155.97936 85.34060
## 125 123.11221 79.91848 197.61179 99.28702
## 126 132.74710 82.07495 127.19082 76.14837
## 127 138.36840 95.32424 147.44299 96.40854
## 128 109.47293 66.42002 157.70810 100.00000
## 129 114.73206 78.00381 157.63963 100.00000
## 130 94.09318 86.31523 193.21566 100.00000
## 131 108.95133 97.62021 237.95463 84.84621
## 132 129.33615 84.26014 144.54028 100.00000
## 133 115.63926 79.86247 203.01028 86.68373
## 134 116.78683 76.92443 216.98634 96.66257
## 135 118.31161 84.14308 160.31403 100.00000
## 136 92.04500 89.89058 188.41602 98.51579
## 137 132.56445 78.16142 214.70833 92.40607
## 138 98.34761 81.63761 182.33473 91.56964
## 139 116.87145 82.16936 183.37947 86.22689
## 140 113.42155 87.29278 199.23180 89.48931
## 141 116.72109 91.11380 188.19960 98.40598
## 142 141.89949 82.79161 173.33041 97.92177
## 143 111.26910 79.23829 185.84155 93.74989
## 144 108.25354 93.94663 246.48519 80.02805
## 145 97.20519 81.64534 216.21006 95.43306
## 146 107.91453 95.77852 162.56209 100.00000
## 147 102.50723 79.38077 152.65247 100.00000
## 148 126.11919 86.13923 179.20053 85.38529
## 149 107.05494 64.53911 229.86324 93.77802
## 150 124.56063 78.87608 198.78037 85.45402
## 151 117.80359 79.78205 168.95484 96.11934
## 152 98.49657 72.41655 216.46704 97.54007
## 153 108.14088 69.64107 185.99889 98.94197
## 154 133.27669 89.48159 156.37965 96.80100
## 155 133.54614 89.14159 203.83577 71.20314
## 156 150.08360 67.01268 235.72428 74.48061
## 157 119.94630 84.24379 203.03405 90.45487
## 158 97.56260 68.87455 195.76001 100.00000
## 159 108.47374 69.48927 170.31271 100.00000
## 160 126.12733 85.25412 207.05196 90.62093
## 161 148.50205 73.13976 157.88288 82.25335
## 162 121.65014 89.93480 140.40553 100.00000
## 163 137.10580 80.38524 188.69942 87.74158
## 164 131.52122 85.36149 188.96219 87.39012
## 165 102.47863 74.76373 260.95167 86.60551
## 166 117.43331 68.48779 153.50958 100.00000
## 167 139.57892 89.14752 195.12719 78.65485
## 168 133.14144 82.38071 214.15159 75.20394
## 169 126.95694 77.60932 221.51779 99.23040
## 170 127.15671 80.69235 189.67827 65.83611
## 171 112.62892 93.25908 167.70232 90.70285
## 172 100.20922 73.01833 188.02648 85.38622
## 173 139.43139 72.50592 248.19268 84.35429
## 174 98.69671 73.80385 204.48217 96.85953
## 175 105.91656 64.15009 128.66569 100.00000
## 176 129.43447 88.19628 232.70377 57.96087
## 177 101.06708 81.92370 206.21508 100.00000
## 178 111.72194 82.07172 188.99285 100.00000
## 179 102.25801 79.56653 189.46409 100.00000
## 180 129.30995 74.89840 185.50631 100.00000
## 181 126.69470 71.76581 197.69678 84.67545
## 182 126.32827 88.51856 174.88399 100.00000
## 183 126.63697 65.73815 198.31034 90.91384
## 184 128.35869 84.40299 162.05932 100.00000
## 185 129.59035 72.07388 196.00441 72.24570
## 186 90.47008 82.82310 223.20512 88.64576
## 187 117.76775 72.59309 205.27618 100.00000
## 188 121.68696 74.76658 221.01249 83.77710
## 189 130.87014 97.69366 157.27394 84.71513
## 190 102.18771 86.68283 191.64378 100.00000
## 191 112.50600 58.55103 208.51751 81.22331
## 192 103.89536 81.26412 157.95985 85.99595
## 193 135.85860 75.48187 236.97443 54.22224
## 194 139.18609 68.63374 158.95576 89.39700
## 195 131.81515 82.09786 194.93556 97.88776
## 196 101.66395 81.29966 194.55497 99.33587
## 197 126.77928 76.71493 193.65011 92.80241
## 198 137.25674 99.72704 183.68726 79.65326
## 199 122.51911 57.51310 203.49810 99.83833
## 200 111.50836 88.38219 159.06507 100.00000
B.Menambahkan Kolom
Menambahkan Kolom BMI
kode :
data_mutate <- mutate(databaru, BMI = berat_badan/(tinggi_badan/100)^2)
head(data_mutate)
## 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 BMI
## 1 69.13882 181.3293 100.00000 24.68689
## 2 73.34697 209.6954 100.00000 23.38607
## 3 87.14848 176.3801 88.52949 27.39884
## 4 75.68339 172.1841 100.00000 18.15435
## 5 82.27615 138.6886 100.00000 23.12309
## 6 92.94946 183.7165 75.39378 27.14402
7. Join Data
kode :
extra <- data.frame(
id = c(1, 2, 3, 4, 5),
kategori = c("Normal", "Normal", "Risiko", "Normal", "Risiko")
)
data_joined <- left_join(databaru, extra, by = "id")
head(data_joined)
## 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 kategori
## 1 69.13882 181.3293 100.00000 Normal
## 2 73.34697 209.6954 100.00000 Normal
## 3 87.14848 176.3801 88.52949 Risiko
## 4 75.68339 172.1841 100.00000 Normal
## 5 82.27615 138.6886 100.00000 Risiko
## 6 92.94946 183.7165 75.39378 <NA>
8. Group and Summarize
Mengelompokkan data berdasarkan jenis kelamin lalu dirangkum dengan
menampilkan rata-rata beberapa data
kode :
data_summary <- databaru %>%
group_by(jenis_kelamin) %>%
summarise(
rata_rata_umur = mean(umur),
rata_rata_gula_darah = mean(gula_darah),
rata_rata_kolesterol = mean(kolesterol)
)
data_summary
## # A tibble: 2 × 4
## jenis_kelamin rata_rata_umur rata_rata_gula_darah rata_rata_kolesterol
## <chr> <dbl> <dbl> <dbl>
## 1 Laki-laki 44.0 102. 190.
## 2 Perempuan 44.7 99.5 194.
9. Split Data
Membagi dataset menjadi dua bagian :
1. Training data untuk membuat model
2. Testing data untuk menguji data
kode :
set.seed(123)
index <- sample(1:nrow(databaru), 0.7 * nrow(databaru))
train_data <- databaru[index, ]
test_data <- databaru[-index, ]
nrow(train_data)
## [1] 140
nrow(test_data)
## [1] 60