1 Pendahuluan

1.1 Sumber Data

Dataset yang digunakan pada tugas ini adalah Diabetes Risk Prediction Dataset, yang diunduh dari Kaggle melalui tautan berikut:

https://www.kaggle.com/datasets/mansiaggarwal88/diabetes-risk-prediction

1.2 Deskripsi Singkat Dataset

Dataset ini bersifat sintetis (buatan/simulasi, bukan data pasien sungguhan) dan berfokus pada bidang kesehatan, khususnya prediksi risiko diabetes. Dataset terdiri dari 15.000 baris (pasien) dan 19 kolom, yang mencakup:

  • Data demografis: age, gender, city, income_bracket
  • Data gaya hidup: bmi, physical_activity_level, diet_type, smoking_status, alcohol_consumption, hours_sleep_per_night, stress_level
  • Data klinis: fasting_blood_sugar, hba1c_level, blood_pressure_systolic, blood_pressure_diastolic, waist_circumference_cm
  • Target/label: diabetes_risk (Low / Moderate / High)

1.3 Alasan Pemilihan Dataset

Kelompok kami memilih dataset ini karena beberapa alasan:

  1. Relevansi tinggi — topik kesehatan, khususnya diabetes, merupakan isu kesehatan masyarakat yang penting dan dekat dengan kehidupan sehari-hari.
  2. Variasi tipe data lengkap — dataset memiliki kombinasi data kategorik (nominal & ordinal) dan numerik (diskrit & kontinu) sehingga cocok untuk latihan berbagai jenis visualisasi.
  3. Terdapat missing value — pada kolom alcohol_consumption dan income_bracket, sehingga bisa menjadi latihan tambahan dalam eksplorasi data nyata.
  4. Ukuran data cukup besar (15.000 baris) sehingga pola-pola statistik dapat terlihat dengan jelas pada visualisasi.

1.4 Gambaran Awal Data

glimpse(df)
## Rows: 15,000
## Columns: 19
## $ patient_id               <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14…
## $ age                      <dbl> 47, 53, 47, 41, 57, 58, 42, 42, 57, 44, 51, 3…
## $ gender                   <chr> "Female", "Female", "Male", "Male", "Female",…
## $ city                     <chr> "Mumbai", "Mumbai", "Thane", "Bengaluru", "Be…
## $ bmi                      <dbl> 26.5, 20.5, 31.3, 22.8, 16.7, 22.0, 22.5, 19.…
## $ family_history_diabetes  <chr> "Yes", "Yes", "No", "No", "No", "No", "No", "…
## $ physical_activity_level  <chr> "Sedentary", "Moderate", "Moderate", "Sedenta…
## $ diet_type                <chr> "Vegetarian", "Vegetarian", "Non-Vegetarian",…
## $ smoking_status           <chr> "Never", "Never", "Current", "Never", "Curren…
## $ alcohol_consumption      <chr> "Never", "Never", "Regular", "Never", "Occasi…
## $ hours_sleep_per_night    <dbl> 9.0, 7.0, 7.0, 9.0, 6.5, 6.9, 7.0, 6.0, 4.8, …
## $ stress_level             <dbl> 8, 6, 7, 5, 10, 6, 10, 7, 10, 8, 2, 6, 4, 9, …
## $ fasting_blood_sugar      <dbl> 178, 152, 168, 155, 188, 148, 190, 270, 186, …
## $ hba1c_level              <dbl> 7.3, 6.9, 6.6, 6.7, 6.7, 6.3, 7.5, 8.9, 7.4, …
## $ blood_pressure_systolic  <dbl> 146, 156, 150, 126, 130, 148, 140, 136, 170, …
## $ blood_pressure_diastolic <dbl> 90, 100, 102, 92, 90, 100, 81, 80, 91, 90, 80…
## $ waist_circumference_cm   <dbl> 107.1, 93.8, 113.5, 109.6, 80.8, 98.0, 95.0, …
## $ income_bracket           <chr> "High", "Low", "Low", "Middle", "High", "High…
## $ diabetes_risk            <chr> "Low", "Low", "High", "Low", "Low", "Low", "M…
colSums(is.na(df))
##               patient_id                      age                   gender 
##                        0                        0                        0 
##                     city                      bmi  family_history_diabetes 
##                        0                        0                        0 
##  physical_activity_level                diet_type           smoking_status 
##                        0                        0                      472 
##      alcohol_consumption    hours_sleep_per_night             stress_level 
##                     3788                        0                        0 
##      fasting_blood_sugar              hba1c_level  blood_pressure_systolic 
##                        0                        0                        0 
## blood_pressure_diastolic   waist_circumference_cm           income_bracket 
##                        0                        0                      463 
##            diabetes_risk 
##                        0

Terlihat bahwa terdapat data yang hilang (missing value) pada kolom smoking_status, alcohol_consumption, dan income_bracket. Untuk visualisasi kategorik terkait kolom ini, nilai NA akan ditampilkan sebagai kategori tersendiri agar proporsinya tetap terlihat.

2 Visualisasi Data Kategorik

2.1 Distribusi Risiko Diabetes (Target)

ggplot(df, aes(x = fct_infreq(diabetes_risk), fill = diabetes_risk)) +
  geom_bar() +
  geom_text(stat = "count", aes(label = comma(after_stat(count))), vjust = -0.4) +
  labs(title = "Distribusi Kategori Risiko Diabetes",
       x = "Kategori Risiko Diabetes", y = "Jumlah Pasien") +
  theme_minimal() +
  theme(legend.position = "none")

Interpretasi: Sebagian besar pasien dalam dataset (sekitar 9.000 dari 15.000 pasien, atau 60%) berada pada kategori risiko Low, diikuti oleh Moderate (25%) dan High (15%). Ini menunjukkan bahwa data tidak seimbang (imbalanced) antar kelas, yang perlu diperhatikan apabila dataset ini digunakan untuk membangun model klasifikasi.

2.2 Distribusi Jenis Kelamin

gender_df <- df %>%
  count(gender) %>%
  mutate(pct = n / sum(n))

ggplot(gender_df, aes(x = "", y = n, fill = gender)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = percent(pct, accuracy = 0.1)), position = position_stack(vjust = 0.5)) +
  labs(title = "Proporsi Jenis Kelamin Pasien", fill = "Gender") +
  theme_void()

Interpretasi: Proporsi pasien laki-laki (Male) sedikit lebih banyak dibandingkan perempuan (Female), masing-masing sekitar 51% dan 48%, sementara kategori “Other” hanya mewakili sebagian kecil (~1%) dari total data. Secara umum, distribusi jenis kelamin dalam dataset ini cukup seimbang.

2.3 Distribusi Tipe Diet

ggplot(df, aes(x = fct_infreq(diet_type))) +
  geom_bar(fill = "#2E8B57") +
  labs(title = "Distribusi Tipe Diet Pasien", x = "Tipe Diet", y = "Jumlah Pasien") +
  theme_minimal()

Interpretasi: Mayoritas pasien menerapkan pola makan Non-Vegetarian (sekitar 55%), diikuti Vegetarian (sekitar 40%), sementara Pescatarian dan Vegan hanya mewakili sebagian kecil pasien. Hal ini mencerminkan pola konsumsi masyarakat India secara umum, sesuai konteks data.

2.4 Riwayat Keluarga vs Risiko Diabetes

ggplot(df, aes(x = family_history_diabetes, fill = diabetes_risk)) +
  geom_bar(position = "fill") +
  scale_y_continuous(labels = percent) +
  labs(title = "Proporsi Risiko Diabetes berdasarkan Riwayat Keluarga",
       x = "Riwayat Keluarga Diabetes", y = "Proporsi", fill = "Risiko Diabetes") +
  theme_minimal()

Interpretasi: Pasien dengan riwayat keluarga diabetes (“Yes”) memiliki proporsi risiko High dan Moderate yang lebih besar (sekitar 20% dan 31%) dibandingkan pasien tanpa riwayat keluarga (sekitar 12% dan 22%). Ini mengindikasikan bahwa faktor genetik/riwayat keluarga berkaitan dengan peningkatan risiko diabetes pada dataset ini.

2.5 Tingkat Aktivitas Fisik vs Risiko Diabetes

ggplot(df, aes(x = fct_relevel(physical_activity_level, "Sedentary", "Moderate", "Active"),
               fill = diabetes_risk)) +
  geom_bar(position = "fill") +
  scale_y_continuous(labels = percent) +
  labs(title = "Proporsi Risiko Diabetes berdasarkan Tingkat Aktivitas Fisik",
       x = "Tingkat Aktivitas Fisik", y = "Proporsi", fill = "Risiko Diabetes") +
  theme_minimal()

Interpretasi: Terlihat pola yang jelas — semakin rendah tingkat aktivitas fisik (Sedentary), semakin besar proporsi pasien dengan risiko High (sekitar 21%) dibandingkan pasien yang aktif/Active (sekitar 10%). Ini menunjukkan gaya hidup aktif secara fisik berasosiasi dengan risiko diabetes yang lebih rendah.

3 Visualisasi Data Numerik

3.1 Distribusi Usia Pasien

ggplot(df, aes(x = age)) +
  geom_histogram(binwidth = 5, fill = "#4C72B0", color = "white") +
  labs(title = "Distribusi Usia Pasien", x = "Usia (tahun)", y = "Frekuensi") +
  theme_minimal()

Interpretasi: Usia pasien tersebar cukup merata di rentang dewasa, dengan rata-rata sekitar 44 tahun dan mayoritas berada pada rentang 35–55 tahun. Bentuk distribusi mendekati simetris/normal tanpa penumpukan ekstrem di salah satu ujung.

3.2 Distribusi BMI (Body Mass Index)

ggplot(df, aes(x = bmi)) +
  geom_histogram(binwidth = 1, fill = "#DD8452", color = "white") +
  geom_vline(aes(xintercept = mean(bmi)), color = "red", linetype = "dashed") +
  labs(title = "Distribusi BMI Pasien (garis merah = rata-rata)",
       x = "BMI", y = "Frekuensi") +
  theme_minimal()

Interpretasi: Rata-rata BMI pasien berada di angka sekitar 23, yang menurut standar umum masuk kategori berat badan normal/sedikit di atas normal. Distribusi sedikit menjulur ke kanan (right-skewed), menandakan ada sebagian kecil pasien dengan BMI cukup tinggi (obesitas).

3.3 Boxplot BMI berdasarkan Kategori Risiko Diabetes

ggplot(df, aes(x = diabetes_risk, y = bmi, fill = diabetes_risk)) +
  geom_boxplot() +
  labs(title = "Sebaran BMI berdasarkan Kategori Risiko Diabetes",
       x = "Kategori Risiko Diabetes", y = "BMI") +
  theme_minimal() +
  theme(legend.position = "none")

Interpretasi: Median BMI meningkat seiring meningkatnya kategori risiko diabetes: pasien Low memiliki median BMI terendah (~22), sedangkan pasien High memiliki median BMI tertinggi (~25). Ini mengonfirmasi bahwa BMI yang lebih tinggi berasosiasi dengan risiko diabetes yang lebih besar.

3.4 Boxplot Kadar Gula Darah Puasa berdasarkan Risiko Diabetes

ggplot(df, aes(x = diabetes_risk, y = fasting_blood_sugar, fill = diabetes_risk)) +
  geom_boxplot() +
  labs(title = "Sebaran Gula Darah Puasa berdasarkan Kategori Risiko Diabetes",
       x = "Kategori Risiko Diabetes", y = "Fasting Blood Sugar (mg/dL)") +
  theme_minimal() +
  theme(legend.position = "none")

Interpretasi: Sesuai ekspektasi klinis, kadar gula darah puasa (fasting blood sugar) meningkat secara konsisten dari kategori Low ke High. Hal ini logis karena kadar gula darah puasa memang merupakan salah satu indikator klinis utama dalam menentukan risiko diabetes.

3.5 Hubungan BMI dan Lingkar Pinggang

ggplot(df, aes(x = bmi, y = waist_circumference_cm, color = diabetes_risk)) +
  geom_point(alpha = 0.3, size = 0.8) +
  geom_smooth(method = "lm", se = FALSE, color = "black") +
  labs(title = "Hubungan antara BMI dan Lingkar Pinggang",
       x = "BMI", y = "Lingkar Pinggang (cm)", color = "Risiko Diabetes") +
  theme_minimal()

Interpretasi: Terdapat hubungan positif yang cukup jelas antara BMI dan lingkar pinggang — semakin tinggi BMI, semakin besar lingkar pinggang pasien. Titik-titik dengan warna risiko High juga cenderung berkumpul di area BMI dan lingkar pinggang yang lebih tinggi, memperkuat temuan sebelumnya.

3.6 Korelasi Antar Variabel Numerik

num_vars <- df %>%
  select(age, bmi, hours_sleep_per_night, stress_level, fasting_blood_sugar,
         hba1c_level, blood_pressure_systolic, blood_pressure_diastolic,
         waist_circumference_cm)

corr_matrix <- cor(num_vars, use = "complete.obs")

corrplot(corr_matrix, method = "color", type = "upper",
         addCoef.col = "black", number.cex = 0.6, tl.col = "black",
         tl.srt = 45, title = "Matriks Korelasi Variabel Numerik", mar = c(0,0,2,0))

Interpretasi: Variabel bmi dan waist_circumference_cm menunjukkan korelasi positif yang cukup kuat, begitu juga fasting_blood_sugar dengan hba1c_level, yang secara klinis masuk akal karena keduanya sama-sama indikator kadar gula darah. Variabel seperti hours_sleep_per_night cenderung memiliki korelasi lemah dengan variabel klinis lain.

4 Kesimpulan

Berdasarkan eksplorasi visual terhadap dataset Diabetes Risk Prediction, dapat disimpulkan bahwa:

  1. Mayoritas pasien berada pada kategori risiko diabetes Low, sehingga data bersifat tidak seimbang antar kelas.
  2. Faktor gaya hidup seperti riwayat keluarga dan tingkat aktivitas fisik berhubungan cukup jelas dengan tingkat risiko diabetes.
  3. Indikator klinis seperti BMI, fasting blood sugar, dan lingkar pinggang menunjukkan pola peningkatan yang konsisten seiring meningkatnya kategori risiko diabetes, sesuai dengan pengetahuan medis umum tentang faktor risiko diabetes tipe 2.
  4. Terdapat korelasi yang logis antar beberapa variabel klinis, khususnya antara indikator terkait gula darah dan antara BMI dengan lingkar pinggang.

Dataset ini terbukti cukup representatif untuk latihan visualisasi data kategorik maupun numerik, serta memberikan gambaran awal yang baik mengenai faktor-faktor yang berasosiasi dengan risiko diabetes.