title: “Analisis Status Keselamatan Penumpang Berdasarkan Umur dan Jenis Kelamin” author: “Atsilah Tsabitah Zahra” date: “2026-10-04” output: html_document: toc: true toc_float: true theme: cosmo ————
Pendahuluan
Analisis ini bertujuan untuk mengetahui gambaran status keselamatan
penumpang Titanic berdasarkan umur dan jenis kelamin. Variabel
Survived digunakan untuk menunjukkan status keselamatan
penumpang, sedangkan Age dan Sex digunakan
sebagai karakteristik penumpang yang dianalisis.
Analisis dilakukan melalui statistik deskriptif, tabel frekuensi, visualisasi data, analisis umur berdasarkan status keselamatan, analisis jenis kelamin berdasarkan status keselamatan, serta uji Chi-Square untuk mengetahui hubungan antara jenis kelamin dan status keselamatan.
1. Persiapan
Pada tahap persiapan, dilakukan pengaturan awal sebelum analisis data dimulai. Tahap ini meliputi pengaturan tampilan hasil R Markdown dan pemanggilan beberapa package yang digunakan untuk membaca, mengolah, menganalisis, serta memvisualisasikan data.
Package yang digunakan dalam analisis ini adalah:
readxldigunakan untuk membaca data dari file Excel.dplyrdigunakan untuk mengolah dan memanipulasi data.ggplot2digunakan untuk membuat visualisasi atau grafik.scalesdigunakan untuk mengatur format tampilan angka dan persentase.knitrdigunakan untuk menampilkan tabel hasil analisis dengan lebih rapi.
2. Memasukkan Data
Data yang digunakan adalah dataset Titanic yang telah melalui proses cleaning.
data <- read_excel ("C:/Users/LENOVO/Downloads/data set titanic .xlsx")
head(data)## # A tibble: 6 × 12
## PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin
## <dbl> <dbl> <dbl> <chr> <chr> <dbl> <dbl> <dbl> <chr> <dbl> <chr>
## 1 1 0 3 Braund… male 22 1 0 A/5 2… 7.25 <NA>
## 2 2 1 1 Cuming… fema… 38 1 0 PC 17… 71.3 C85
## 3 3 1 3 Heikki… fema… 26 0 0 STON/… 7.92 <NA>
## 4 4 1 1 Futrel… fema… 35 1 0 113803 53.1 C123
## 5 5 0 3 Allen,… male 35 0 0 373450 8.05 <NA>
## 6 6 0 3 Moran,… male 29 0 0 330877 8.46 <NA>
## # ℹ 1 more variable: Embarked <chr>3. Melihat Struktur Data
Struktur data digunakan untuk mengetahui jenis variabel dan bentuk data yang digunakan dalam analisis.
str(data)## tibble [891 × 12] (S3: tbl_df/tbl/data.frame)
## $ PassengerId: num [1:891] 1 2 3 4 5 6 7 8 9 10 ...
## $ Survived : num [1:891] 0 1 1 1 0 0 0 0 1 1 ...
## $ Pclass : num [1:891] 3 1 3 1 3 3 1 3 3 2 ...
## $ Name : chr [1:891] "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
## $ Sex : chr [1:891] "male" "female" "female" "female" ...
## $ Age : num [1:891] 22 38 26 35 35 29 54 2 27 14 ...
## $ SibSp : num [1:891] 1 1 0 1 0 0 0 3 0 1 ...
## $ Parch : num [1:891] 0 0 0 0 0 0 0 1 2 0 ...
## $ Ticket : chr [1:891] "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
## $ Fare : num [1:891] 7.25 71.28 7.92 53.1 8.05 ...
## $ Cabin : chr [1:891] NA "C85" NA "C123" ...
## $ Embarked : chr [1:891] "S" "C" "S" "S" ...Jumlah baris dan kolom pada dataset dapat dilihat menggunakan:
cat("Jumlah baris :", nrow(data), "\n")## Jumlah baris : 891cat("Jumlah kolom :", ncol(data), "\n")## Jumlah kolom : 124. Memilih Variabel
Analisis difokuskan pada tiga variabel utama:
Age= umur penumpangSex= jenis kelamin penumpangSurvived= status keselamatan penumpang
titanic <- data %>%
select(Age, Sex, Survived)
head(titanic)## # A tibble: 6 × 3
## Age Sex Survived
## <dbl> <chr> <dbl>
## 1 22 male 0
## 2 38 female 1
## 3 26 female 1
## 4 35 female 1
## 5 35 male 0
## 6 29 male 05. Pemeriksaan Data
5.1 Pemeriksaan Nilai Missing
Pemeriksaan nilai missing dilakukan untuk memastikan tidak terdapat data kosong pada variabel yang digunakan.
missing_data <- colSums(is.na(titanic))
missing_data## Age Sex Survived
## 0 0 05.2 Pemeriksaan Duplikasi
Pemeriksaan duplikasi dilakukan berdasarkan seluruh data yang
digunakan. Duplikasi pada kombinasi Age, Sex,
dan Survived tidak langsung dianggap sebagai data duplikat
karena beberapa penumpang memang dapat memiliki umur, jenis kelamin, dan
status keselamatan yang sama.
duplikat <- sum(duplicated(data))
cat("Jumlah baris duplikat :", duplikat)## Jumlah baris duplikat : 05.3 Data yang Digunakan
Karena variabel Age, Sex, dan
Survived merupakan variabel utama dalam analisis, data yang
memiliki nilai kosong pada ketiga variabel tersebut tidak digunakan.
titanic_clean <- titanic %>%
filter(
!is.na(Age),
!is.na(Sex),
!is.na(Survived)
)
cat(
"Jumlah data setelah pemeriksaan :",
nrow(titanic_clean)
)## Jumlah data setelah pemeriksaan : 8916. Analisis Umur Penumpang
6.1 Statistik Deskriptif Umur
Statistik deskriptif digunakan untuk melihat jumlah data, nilai minimum, kuartil pertama, median, rata-rata, kuartil ketiga, maksimum, dan standar deviasi umur penumpang.
statistik_umur <- titanic_clean %>%
summarise(
Jumlah = n(),
Minimum = min(Age),
Q1 = quantile(Age, 0.25),
Median = median(Age),
Mean = mean(Age),
Q3 = quantile(Age, 0.75),
Maksimum = max(Age),
SD = sd(Age)
)
kable(
statistik_umur,
digits = 2,
caption = "Statistik Deskriptif Umur Penumpang"
)| Jumlah | Minimum | Q1 | Median | Mean | Q3 | Maksimum | SD |
|---|---|---|---|---|---|---|---|
| 891 | 0.42 | 20 | 28 | 29.6 | 38 | 80 | 14.15 |
6.2 Histogram Umur
Histogram digunakan untuk melihat penyebaran umur penumpang.
ggplot(titanic_clean, aes(x = Age)) +
geom_histogram(
bins = 20,
color = "white"
) +
labs(
title = "Distribusi Umur Penumpang Titanic",
x = "Umur",
y = "Jumlah Penumpang"
) +
theme_minimal()
6.3 Boxplot Umur
Boxplot digunakan untuk melihat median, persebaran, serta kemungkinan adanya nilai ekstrem pada umur penumpang.
ggplot(titanic_clean, aes(y = Age)) +
geom_boxplot() +
labs(
title = "Boxplot Umur Penumpang Titanic",
y = "Umur"
) +
theme_minimal()
7. Status Keselamatan Penumpang
Variabel Survived memiliki dua kategori:
0= Tidak Selamat1= Selamat
7.1 Frekuensi Status Keselamatan
tabel_survived <- table(titanic_clean$Survived)
tabel_survived##
## 0 1
## 549 3427.2 Persentase Status Keselamatan
persen_survived <- prop.table(tabel_survived) * 100
round(persen_survived, 2)##
## 0 1
## 61.62 38.387.3 Tabel Status Keselamatan
survived_table <- titanic_clean %>%
mutate(
Status = ifelse(
Survived == 1,
"Selamat",
"Tidak Selamat"
)
) %>%
count(Status) %>%
mutate(
Persentase = n / sum(n) * 100
)
kable(
survived_table,
digits = 2,
col.names = c(
"Status Keselamatan",
"Jumlah",
"Persentase (%)"
),
caption = "Status Keselamatan Penumpang"
)| Status Keselamatan | Jumlah | Persentase (%) |
|---|---|---|
| Selamat | 342 | 38.38 |
| Tidak Selamat | 549 | 61.62 |
7.4 Grafik Status Keselamatan
ggplot(survived_table, aes(x = Status, y = n)) +
geom_col() +
geom_text(
aes(label = n),
vjust = -0.3
) +
labs(
title = "Status Keselamatan Penumpang Titanic",
x = "Status Keselamatan",
y = "Jumlah Penumpang"
) +
theme_minimal()
8. Umur Berdasarkan Status Keselamatan
8.1 Statistik Umur Berdasarkan Status Keselamatan
Analisis ini digunakan untuk membandingkan karakteristik umur antara penumpang yang selamat dan tidak selamat.
umur_survived <- titanic_clean %>%
mutate(
Status = ifelse(
Survived == 1,
"Selamat",
"Tidak Selamat"
)
) %>%
group_by(Status) %>%
summarise(
Jumlah = n(),
Rata_rata_Umur = mean(Age),
Median_Umur = median(Age),
Minimum = min(Age),
Maksimum = max(Age),
SD = sd(Age),
.groups = "drop"
)
kable(
umur_survived,
digits = 2,
caption = "Umur Berdasarkan Status Keselamatan"
)| Status | Jumlah | Rata_rata_Umur | Median_Umur | Minimum | Maksimum | SD |
|---|---|---|---|---|---|---|
| Selamat | 342 | 28.56 | 28 | 0.42 | 80 | 14.61 |
| Tidak Selamat | 549 | 30.25 | 28 | 1.00 | 74 | 13.84 |
8.2 Boxplot Umur Berdasarkan Status Keselamatan
ggplot(
titanic_clean,
aes(
x = factor(
Survived,
levels = c(0, 1),
labels = c("Tidak Selamat", "Selamat")
),
y = Age
)
) +
geom_boxplot() +
labs(
title = "Distribusi Umur Berdasarkan Status Keselamatan",
x = "Status Keselamatan",
y = "Umur"
) +
theme_minimal()
8.3 Histogram Umur Berdasarkan Status Keselamatan
ggplot(
titanic_clean,
aes(
x = Age,
fill = factor(
Survived,
levels = c(0, 1),
labels = c("Tidak Selamat", "Selamat")
)
)
) +
geom_histogram(
bins = 20,
alpha = 0.6,
position = "identity"
) +
labs(
title = "Distribusi Umur Berdasarkan Status Keselamatan",
x = "Umur",
y = "Jumlah Penumpang",
fill = "Status"
) +
theme_minimal()
9. Analisis Jenis Kelamin
9.1 Frekuensi Jenis Kelamin
tabel_sex <- table(titanic_clean$Sex)
tabel_sex##
## female male
## 314 5779.2 Persentase Jenis Kelamin
persen_sex <- prop.table(tabel_sex) * 100
round(persen_sex, 2)##
## female male
## 35.24 64.769.3 Tabel Jenis Kelamin
sex_table <- titanic_clean %>%
count(Sex) %>%
mutate(
Persentase = n / sum(n) * 100
)
kable(
sex_table,
digits = 2,
col.names = c(
"Jenis Kelamin",
"Jumlah",
"Persentase (%)"
),
caption = "Distribusi Jenis Kelamin Penumpang"
)| Jenis Kelamin | Jumlah | Persentase (%) |
|---|---|---|
| female | 314 | 35.24 |
| male | 577 | 64.76 |
9.4 Grafik Jenis Kelamin
ggplot(sex_table, aes(x = Sex, y = n)) +
geom_col() +
geom_text(
aes(label = n),
vjust = -0.3
) +
labs(
title = "Distribusi Jenis Kelamin Penumpang Titanic",
x = "Jenis Kelamin",
y = "Jumlah Penumpang"
) +
theme_minimal()
10. Hubungan Jenis Kelamin dengan Status Keselamatan
Bagian ini digunakan untuk melihat perbedaan status keselamatan berdasarkan jenis kelamin.
10.1 Tabel Silang
tabel_sex_survived <- table(
titanic_clean$Sex,
titanic_clean$Survived
)
colnames(tabel_sex_survived) <- c(
"Tidak Selamat",
"Selamat"
)
tabel_sex_survived##
## Tidak Selamat Selamat
## female 81 233
## male 468 10910.2 Persentase Status Keselamatan Berdasarkan Jenis Kelamin
persen_baris <- prop.table(
tabel_sex_survived,
margin = 1
) * 100
round(persen_baris, 2)##
## Tidak Selamat Selamat
## female 25.80 74.20
## male 81.11 18.8910.3 Grafik Jumlah Status Keselamatan
ggplot(
titanic_clean,
aes(
x = Sex,
fill = factor(
Survived,
levels = c(0, 1),
labels = c("Tidak Selamat", "Selamat")
)
)
) +
geom_bar(position = "dodge") +
labs(
title = "Status Keselamatan Berdasarkan Jenis Kelamin",
x = "Jenis Kelamin",
y = "Jumlah Penumpang",
fill = "Status Keselamatan"
) +
theme_minimal()
10.4 Grafik Proporsi Status Keselamatan
ggplot(
titanic_clean,
aes(
x = Sex,
fill = factor(
Survived,
levels = c(0, 1),
labels = c("Tidak Selamat", "Selamat")
)
)
) +
geom_bar(position = "fill") +
scale_y_continuous(
labels = percent_format()
) +
labs(
title = "Proporsi Status Keselamatan Berdasarkan Jenis Kelamin",
x = "Jenis Kelamin",
y = "Proporsi",
fill = "Status Keselamatan"
) +
theme_minimal()
11. Uji Chi-Square
Uji Chi-Square digunakan untuk mengetahui apakah terdapat hubungan antara jenis kelamin dan status keselamatan penumpang.
11.1 Hipotesis
H0: Tidak terdapat hubungan antara jenis kelamin dan status keselamatan penumpang Titanic.
H1: Terdapat hubungan antara jenis kelamin dan status keselamatan penumpang Titanic.
Taraf signifikansi yang digunakan adalah 5% atau 0,05.
11.2 Melakukan Uji Chi-Square
uji_chi <- chisq.test(tabel_sex_survived)
uji_chi##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabel_sex_survived
## X-squared = 260.72, df = 1, p-value < 2.2e-1611.3 Frekuensi Harapan
uji_chi$expected##
## Tidak Selamat Selamat
## female 193.4747 120.5253
## male 355.5253 221.474711.4 Nilai Chi-Square dan p-value
cat(
"Nilai Chi-Square =",
round(as.numeric(uji_chi$statistic), 3),
"\n"
)## Nilai Chi-Square = 260.717cat(
"Derajat bebas =",
as.numeric(uji_chi$parameter),
"\n"
)## Derajat bebas = 1cat(
"p-value =",
format.pval(uji_chi$p.value, digits = 5),
"\n"
)## p-value = < 2.22e-1611.5 Keputusan Uji
alpha <- 0.05
if (uji_chi$p.value < alpha) {
cat("Keputusan: Tolak H0 karena p-value < 0,05.")
} else {
cat("Keputusan: Gagal menolak H0 karena p-value >= 0,05.")
}## Keputusan: Tolak H0 karena p-value < 0,05.11.6 Interpretasi
if (uji_chi$p.value < alpha) {
cat(
"Berdasarkan hasil uji Chi-Square, terdapat hubungan yang signifikan antara jenis kelamin dan status keselamatan penumpang Titanic karena p-value < 0,05."
)
} else {
cat(
"Berdasarkan hasil uji Chi-Square, tidak terdapat hubungan yang signifikan antara jenis kelamin dan status keselamatan penumpang Titanic karena p-value >= 0,05."
)
}Berdasarkan hasil uji Chi-Square, terdapat hubungan yang signifikan antara jenis kelamin dan status keselamatan penumpang Titanic karena p-value < 0,05.
12. Ringkasan Analisis
12.1 Ringkasan Umur Berdasarkan Status Keselamatan
ringkasan_umur <- titanic_clean %>%
mutate(
Status = ifelse(
Survived == 1,
"Selamat",
"Tidak Selamat"
)
) %>%
group_by(Status) %>%
summarise(
Jumlah = n(),
Rata_rata_Umur = mean(Age),
Median_Umur = median(Age),
.groups = "drop"
)
kable(
ringkasan_umur,
digits = 2,
caption = "Ringkasan Umur Berdasarkan Status Keselamatan"
)| Status | Jumlah | Rata_rata_Umur | Median_Umur |
|---|---|---|---|
| Selamat | 342 | 28.56 | 28 |
| Tidak Selamat | 549 | 30.25 | 28 |
12.2 Ringkasan Jenis Kelamin dan Keselamatan
ringkasan_sex <- titanic_clean %>%
mutate(
Status = ifelse(
Survived == 1,
"Selamat",
"Tidak Selamat"
)
) %>%
group_by(Sex, Status) %>%
summarise(
Jumlah = n(),
.groups = "drop"
)
kable(
ringkasan_sex,
caption = "Ringkasan Jenis Kelamin dan Status Keselamatan"
)| Sex | Status | Jumlah |
|---|---|---|
| female | Selamat | 233 |
| female | Tidak Selamat | 81 |
| male | Selamat | 109 |
| male | Tidak Selamat | 468 |
13. Kesimpulan
Berdasarkan analisis data Titanic, dapat diketahui gambaran status keselamatan penumpang berdasarkan umur dan jenis kelamin.
Analisis umur digunakan untuk melihat distribusi umur penumpang serta membandingkan karakteristik umur antara penumpang yang selamat dan tidak selamat. Sementara itu, analisis jenis kelamin digunakan untuk melihat jumlah dan proporsi penumpang yang selamat berdasarkan jenis kelamin.
Selanjutnya, hubungan antara jenis kelamin dan status keselamatan dianalisis menggunakan uji Chi-Square dengan taraf signifikansi 5%. Keputusan pengujian ditentukan berdasarkan nilai p-value yang diperoleh.
14. Menyimpan Hasil Analisis
write.csv(
survived_table,
"tabel_status_keselamatan.csv",
row.names = FALSE
)
write.csv(
sex_table,
"tabel_jenis_kelamin.csv",
row.names = FALSE
)
write.csv(
umur_survived,
"tabel_umur_status_keselamatan.csv",
row.names = FALSE
)
write.csv(
ringkasan_sex,
"tabel_ringkasan_jenis_kelamin_keselamatan.csv",
row.names = FALSE
)
cat("File hasil analisis berhasil dibuat.")## File hasil analisis berhasil dibuat.