Tugas Kelompok Analytic Project
Dodyk Sukra Goutama
November 06, 2020
BAB IV PERANCANGAN
4.1 Persiapan Data
Data yang digunakan pada penelitian ini diperoleh dari data rekam medis penderita penyakit paru yang sedang menjalani pengobatan rawat jalan di RSUD Kertosono selama kurun waktu 2014-1016. Jumlah data yang digunakan dalam penelitian ini sebanyak 483 data, dengan pembagian jumlah data yang digunakan sebagai pelatihan model ANN maupun uji coba model ANN adalah sebagai berikut.
Data rekam medis penderita penyakit paru terdiri dari 18 (delapan belas) variabel, yaitu jenis kelamin, umur, berat badan, sistole, diastole, batuk, sesak, demam, mual, pusing, nyeri dada, nyeri perut, nyeri kepala, nyeri kaki (bengkak), nyeri tenggorokan, nyeri punggung, pengaburan mata, dan nyeri leher (bengkak). Data rekam medis pasien penderita penyakit paru yang dimiliki RSUD Kertosono tercatat ke dalam 2 (dua) bentuk penyimpanan, yaitu dalam bentuk formulir (manual) dan database (digital). Namun, tidak semua variabel rekam medis yang tercatat di formulir disimpan dalam bentuk digital. Di dalam database (digital) hanya mencatat riwayat penyakit yang dialami pasien, tidak mencatat gejala (variabel diagnosa) yang dialami pasien. Selain itu, data diagnosa yang tercatat dalam formulir rekam medis pasien tidak semuanya terisi secara lengkap. Hal tersebut disebabkan oleh beberapa kemungkinan, seperti kelalaian dokter (tenaga medis), pasien benar-benar tidak mengalami gejala terkait atau kemungkinan yang lain. Oleh sebab itu, data rekam medis yang diperoleh terdapat nilai yang hilang atau kosong (missing value).
Dalam proses data mining, data yang digunakan hendaknya tidak mengandung data yang error, tidak lengkap (missing value), not available (kosong). Pada penelitian ini, metode yang digunakan untuk menangani nilai yang kosong adalah interpolasi. Metode interpolasi ini dipilih karena dalam suatu set data variabel antar diagnose dianggap memiliki hubungan (korelasi), dimana hubungan tersebut akan menghasilkan suatu grafik (fungsi) yang berbeda antar jenis penyakit paru. Sehingga dari grafik (fungsi) tersebut dapat diperkirakan nilai yang paling optimal untuk mengisi data yang kosong. Jenis interpolasi yang digunakan adalah jenis interpolasi sederhana (orde 1) atau interpolasi linier.
Dalam melakukan interpolasi linier diperlukan pasangan variabel yang memiliki nilai korelasi paling tinggi agar fungsi yang dihasilkan memiliki keakuratan yang maksimal. Tabel 7 memuat pasangan variabel yang digunakan dalam perhitungan interpolasi. Variabel 1 menunjukkan variabel diagnosa yang memuat nilai kosong (missing value) sedangkan variabel 2 menunjukkan pasangan variabel yang memiliki nilai korelasi paling tinggi terhadap variabel 1 seperti yang ditunjukkan pada tabel 7. Selain itu, pada tabel 7 juga memuat keterangan hubungan (korelasi) yang dimiliki oleh pasangan variabel tersebut.
## [1] "D:\\dataextractdumai\\buban bojonegoro\\data_lama\\data mentah-converted.xlsx"setwd("D://dataextractdumai//buban bojonegoro//data_lama")
library(dplyr)
library(tidyr)
library(tidyverse)
library(purrr)
library(readxl)
library(ggplot2)
library(kableExtra)
library(hrbrthemes)
library(gcookbook)sheet_name <- readxl::excel_sheets("data mentah-converted.xlsx")
data_anpro <- do.call(rbind, lapply(sheet_name, function(x)
transform(readxl::read_excel("data mentah-converted.xlsx",
sheet = x), klasifikasi = x)))
data_anpro$klasifikasi <- factor(data_anpro$klasifikasi)
data_anpro$Jenis.Kelamin <- as.factor(data_anpro$Jenis.Kelamin)
data_anpro$Umur <- as.numeric(data_anpro$Umur)
data_anpro$Berat.Badan <- as.numeric(data_anpro$Berat.Badan)
data_anpro$Sistole <- as.numeric(data_anpro$Sistole)
data_anpro$Diastole <- as.numeric(data_anpro$Diastole)
data_anpro$Batuk <- as.factor(data_anpro$Batuk)
data_anpro$Sesak <- as.factor(data_anpro$Sesak)
str(data_anpro)## 'data.frame': 483 obs. of 8 variables:
## $ Jenis.Kelamin: Factor w/ 2 levels "0","1": 1 2 1 1 1 1 1 1 1 1 ...
## $ Umur : num 60 76 79 77 75 63 74 74 68 80 ...
## $ Berat.Badan : num 51 27 27 28 28 28 28 29 29 29 ...
## $ Sistole : num 105 120 120 174 125 140 114 130 171 129 ...
## $ Diastole : num 67 80 70 81 70 80 71 70 86 71 ...
## $ Batuk : Factor w/ 3 levels "0","1","2": 2 2 2 2 2 2 2 2 2 1 ...
## $ Sesak : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 1 2 1 1 ...
## $ klasifikasi : Factor w/ 4 levels "Bronkitis","Pneumonia",..: 3 3 3 3 3 3 3 3 3 3 ...# Drop missing value
data_anpro <- na.omit(data_anpro)
# Handling Missing Value
#mean_bb <- mean(data_anpro$Berat.Badan, na.rm = TRUE)
#bb_impute <- data_anpro %>%
# mutate(Berat.Badan=replace(Berat.Badan,is.na(Berat.Badan),mean_bb))
#summary(bb_impute$Berat.Badan)4.1.1 Uji Normalitas
Uji normalitas pada penelitian ini dilakukan untuk mengetahui persebaran satu set data pada masing-masing variabel, apakah berdistribusi normal atau tidak. Apabila data dinyatakan berdistribusi normal, data tersebut dapat dianggap mewakili populasi. Uji normalitas dilakukan dengan metode deskriptif dan analitis pada setiap variabel diagnosa. Metode deskriptif dilakukan melalui pengujian pada koefisien varian, rasio skewness, rasio kurtosis, histogram, box plot, normal Q-Q plots, dan deterended Q-Q plots. Sedangkan metode analitis dilakukanmelalui pengujian nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk. Dalam studi kasuspenelitian ini, apabila data memenuhi minimal 1 (satu) parameter dari 9 (sembilan) parameter yang digunakan maka data tersebut dapat disimpulkan berdistribusi normal.
##
## Bronkitis Pneumonia PPOK TBC
## 92 0 72 316data_anpro_tabel <- data_anpro [1:10, ]
data_anpro_tabel %>%
kbl(caption = "Tabel Data Frame") %>%
kable_classic_2(full_width = F)| Jenis.Kelamin | Umur | Berat.Badan | Sistole | Diastole | Batuk | Sesak | klasifikasi |
|---|---|---|---|---|---|---|---|
| 0 | 60 | 51 | 105 | 67 | 1 | 1 | PPOK |
| 1 | 76 | 27 | 120 | 80 | 1 | 1 | PPOK |
| 0 | 79 | 27 | 120 | 70 | 1 | 1 | PPOK |
| 0 | 77 | 28 | 174 | 81 | 1 | 1 | PPOK |
| 0 | 75 | 28 | 125 | 70 | 1 | 1 | PPOK |
| 0 | 63 | 28 | 140 | 80 | 1 | 1 | PPOK |
| 0 | 74 | 28 | 114 | 71 | 1 | 0 | PPOK |
| 0 | 74 | 29 | 130 | 70 | 1 | 1 | PPOK |
| 0 | 68 | 29 | 171 | 86 | 1 | 0 | PPOK |
| 0 | 80 | 29 | 129 | 71 | 0 | 0 | PPOK |
library(psych)
describe(data_anpro) %>%
kbl(caption = "Tabel Summary Data Frame") %>%
kable_classic_2(full_width = T)| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jenis.Kelamin* | 1 | 480 | 1.462500 | 0.4991119 | 1.000 | 1.453125 | 0.00000 | 1 | 2 | 1 | 0.1499538 | -1.9816292 | 0.0227812 |
| Umur | 2 | 480 | 52.410417 | 17.1047765 | 54.000 | 53.000000 | 20.75640 | 6 | 93 | 87 | -0.2559269 | -0.6696735 | 0.7807227 |
| Berat.Badan | 3 | 480 | 43.693271 | 9.9147242 | 43.415 | 43.324141 | 10.91194 | 25 | 80 | 55 | 0.3218589 | -0.3061341 | 0.4525432 |
| Sistole | 4 | 480 | 122.129167 | 21.6227559 | 120.000 | 120.888021 | 17.79120 | 76 | 250 | 174 | 0.8050219 | 2.1328757 | 0.9869393 |
| Diastole | 5 | 480 | 74.868750 | 14.3966543 | 71.000 | 73.676302 | 13.34340 | 44 | 187 | 143 | 2.0034701 | 10.3335537 | 0.6571144 |
| Batuk* | 6 | 480 | 2.000000 | 0.5633185 | 2.000 | 2.000000 | 0.00000 | 1 | 3 | 2 | 0.0000000 | 0.1447505 | 0.0257119 |
| Sesak* | 7 | 480 | 1.464583 | 0.4992644 | 1.000 | 1.455729 | 0.00000 | 1 | 2 | 1 | 0.1415798 | -1.9840756 | 0.0227882 |
| klasifikasi* | 8 | 480 | 3.275000 | 1.1628379 | 4.000 | 3.468750 | 0.00000 | 1 | 4 | 3 | -1.2777007 | -0.0920650 | 0.0530760 |
##
## Descriptive statistics by group
## group: Bronkitis
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 92 52.45 17.2 53.5 53.2 21.5 13 84 71 -0.3 -0.83 1.79
## ------------------------------------------------------------
## group: Pneumonia
## NULL
## ------------------------------------------------------------
## group: PPOK
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 72 62.42 16.1 65.5 64.52 12.6 13 93 80 -1.24 1.64 1.9
## ------------------------------------------------------------
## group: TBC
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 316 50.12 16.52 50 50.31 17.79 6 85 79 -0.1 -0.66 0.93##
## Descriptive statistics by group
## group: Bronkitis
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 92 44.29 10.08 44 43.91 9.08 25 68 43 0.3 -0.4 1.05
## ------------------------------------------------------------
## group: Pneumonia
## NULL
## ------------------------------------------------------------
## group: PPOK
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 72 34.28 5.59 33.5 33.84 5.19 25 51 26 0.73 0.3 0.66
## ------------------------------------------------------------
## group: TBC
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 316 45.67 9.42 45 45.53 8.9 25 80 55 0.19 -0.09 0.53##
## Descriptive statistics by group
## group: Bronkitis
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 92 125.61 23.62 123.5 124.21 20.02 76 250 174 1.56 6.59 2.46
## ------------------------------------------------------------
## group: Pneumonia
## NULL
## ------------------------------------------------------------
## group: PPOK
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 72 126.75 21.44 120.5 125.26 17.05 90 190 100 0.65 0.07 2.53
## ------------------------------------------------------------
## group: TBC
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 316 120.06 20.82 120 118.88 17.79 77 180 103 0.5 0.08 1.17##
## Descriptive statistics by group
## group: Bronkitis
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 92 75.09 13.7 72 74.11 11.86 46 133 87 1.47 4.7 1.43
## ------------------------------------------------------------
## group: Pneumonia
## NULL
## ------------------------------------------------------------
## group: PPOK
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 72 76.72 19.33 71 74.41 11.86 44 187 143 3.46 16.13 2.28
## ------------------------------------------------------------
## group: TBC
## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 316 74.38 13.25 71 73.38 13.34 45 130 85 0.88 1.56 0.75## median mean SE.mean CI.mean.0.95 var std.dev
## 54.0000000 52.4104167 0.7807227 1.5340645 292.5733777 17.1047765
## coef.var
## 0.3263622## median mean SE.mean CI.mean.0.95 var std.dev
## 43.4150000 43.6932708 0.4525432 0.8892151 98.3017565 9.9147242
## coef.var
## 0.2269165## median mean SE.mean CI.mean.0.95 var std.dev
## 120.0000000 122.1291667 0.9869393 1.9392654 467.5435734 21.6227559
## coef.var
## 0.1770483## median mean SE.mean CI.mean.0.95 var std.dev
## 71.0000000 74.8687500 0.6571144 1.2911830 207.2636561 14.3966543
## coef.var
## 0.1922919Visualisasi
Variabel Jenis Kelamin
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 8, dapat disimpulkan bahwa data pada variabel jenis kelamin pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05. Selain itu, persentase koefisien varian pada jenis penyakit PPOK, tuberculosis dan bronkitis <30% dan nilai rasio skewness pada variabel jenis kelamin tuberculosis, bronkitis, pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel jenis kelamin pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 4 menggambarkan persebaran data pada variabel jenis kelamin di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel jenis kelamin memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada masing-masing jenis penyakit berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
klas_jk <- data_anpro %>%
select(klasifikasi, Jenis.Kelamin) %>%
dplyr::group_by(klasifikasi, Jenis.Kelamin)%>%
summarise(n=n()) %>%
spread(Jenis.Kelamin, n)
klas_jk %>%
kbl(caption = "Klasifikasi berdasarkan Jenis Kelamin") %>%
kable_classic_2(full_width = F)| klasifikasi | 0 | 1 |
|---|---|---|
| Bronkitis | 39 | 53 |
| PPOK | 47 | 25 |
| TBC | 172 | 144 |
ggplot(data_anpro %>%
select(klasifikasi, Jenis.Kelamin),
aes(x=Jenis.Kelamin),
group_by(Jenis.Kelamin)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
Variabel Umur
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 9, dapat disimpulkan bahwa data pada variabel umur pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05 dan nilai Kolmogorov-Smirnov pada masing-masing kelas penyakit paru bernilai >0.05, kecuali penyakit tuberculosis. Selain itu, persentase koefisien varian pada setiap jenis penyakit bernilai <30% dan nilai rasio skewness pada variabel umur tuberculosis, bronkitis, pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel umur pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 5 menggambarkan persebaran data pada variabel umur di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel umur memiliki distribusi data yang normal. Dari histogram tersebut dapat disimpulkan bahwa persebaran data pada jenis penyakit tuberculosis, bronkitis dan pneumonia berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri). Persebaran data pada jenis penyakit ppok lebih condong ke kanan, hal ini menunjukkan bahwa nilai rata-rata pada variabel umur pada jenis penyakit ppok lebih kecil dibandingkan nilai modus (nilai yang paling banyak muncul).
data_anpro$bin_umur <- cut(data_anpro$Umur,
breaks=c(0,20,40,60,80,100),
labels = c("<20", "20-40", "40-60", "60-80", "80+"),
right = T)
klas_umur <- data_anpro %>%
select(klasifikasi, bin_umur) %>%
dplyr::group_by(klasifikasi, bin_umur)%>%
summarise(n=n()) %>%
spread(bin_umur, n)
klas_umur %>%
kbl(caption = "Klasifikasi Berdasarkan Umur") %>%
kable_classic_2(full_width = F)| klasifikasi | <20 | 20-40 | 40-60 | 60-80 | 80+ |
|---|---|---|---|---|---|
| Bronkitis | 4 | 24 | 31 | 32 | 1 |
| PPOK | 3 | 3 | 21 | 42 | 3 |
| TBC | 13 | 84 | 134 | 79 | 6 |
ggplot(data_anpro %>%
select(klasifikasi, bin_umur),
aes(x=bin_umur),
group_by(bin_umur)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
##
## Shapiro-Wilk normality test
##
## data: data_anpro$Umur
## W = 0.9828, p-value = 1.863e-05##
## Shapiro-Wilk normality test
##
## data: klas_PPOK$Umur
## W = 0.89694, p-value = 2.313e-05##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_PPOK$Umur
## D = 0.12173, p-value = 0.2364
## alternative hypothesis: two-sideddescribe(klas_PPOK) %>%
kbl(caption = "Variabel Klasifikasi PPOK") %>%
kable_classic_2(full_width = T)| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jenis.Kelamin* | 1 | 72 | 1.347222 | 0.4794281 | 1.0 | 1.310345 | 0.0000 | 1 | 2 | 1 | 0.6284815 | -1.6270326 | 0.0565011 |
| Umur | 2 | 72 | 62.416667 | 16.1006955 | 65.5 | 64.517241 | 12.6021 | 13 | 93 | 80 | -1.2352457 | 1.6368006 | 1.8974852 |
| Berat.Badan | 3 | 72 | 34.277778 | 5.5872647 | 33.5 | 33.844828 | 5.1891 | 25 | 51 | 26 | 0.7334936 | 0.3028966 | 0.6584655 |
| Sistole | 4 | 72 | 126.750000 | 21.4415353 | 120.5 | 125.258621 | 17.0499 | 90 | 190 | 100 | 0.6543345 | 0.0663408 | 2.5269092 |
| Diastole | 5 | 72 | 76.722222 | 19.3326858 | 71.0 | 74.413793 | 11.8608 | 44 | 187 | 143 | 3.4588789 | 16.1337213 | 2.2783789 |
| Batuk* | 6 | 72 | 1.805556 | 0.4324476 | 2.0 | 1.862069 | 0.0000 | 1 | 3 | 2 | -0.9832543 | 0.3485938 | 0.0509644 |
| Sesak* | 7 | 72 | 1.777778 | 0.4186572 | 2.0 | 1.844828 | 0.0000 | 1 | 2 | 1 | -1.3085634 | -0.2911293 | 0.0493392 |
| klasifikasi* | 8 | 72 | 3.000000 | 0.0000000 | 3.0 | 3.000000 | 0.0000 | 3 | 3 | 0 | NaN | NaN | 0.0000000 |
| bin_umur* | 9 | 72 | 3.541667 | 0.8211551 | 4.0 | 3.655172 | 0.0000 | 1 | 5 | 4 | -1.2601954 | 1.8683865 | 0.0967741 |
##
## Shapiro-Wilk normality test
##
## data: klas_TB$Umur
## W = 0.9894, p-value = 0.0214##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_TB$Umur
## D = 0.047165, p-value = 0.4831
## alternative hypothesis: two-sided| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jenis.Kelamin* | 1 | 316 | 1.455696 | 0.4988232 | 1 | 1.444882 | 0.0000 | 1 | 2 | 1 | 0.1770711 | -1.9748654 | 0.0280610 |
| Umur | 2 | 316 | 50.120253 | 16.5183813 | 50 | 50.314961 | 17.7912 | 6 | 85 | 79 | -0.0955270 | -0.6628681 | 0.9292315 |
| Berat.Badan | 3 | 316 | 45.665791 | 9.4240295 | 45 | 45.529094 | 8.8956 | 25 | 80 | 55 | 0.1929311 | -0.0916544 | 0.5301431 |
| Sistole | 4 | 316 | 120.061709 | 20.8207426 | 120 | 118.875984 | 17.7912 | 77 | 180 | 103 | 0.4953704 | 0.0804790 | 1.1712583 |
| Diastole | 5 | 316 | 74.381329 | 13.2533530 | 71 | 73.382677 | 13.3434 | 45 | 130 | 85 | 0.8750701 | 1.5620495 | 0.7455594 |
| Batuk* | 6 | 316 | 2.082279 | 0.5905627 | 2 | 2.102362 | 0.0000 | 1 | 3 | 2 | -0.0198745 | -0.1915487 | 0.0332217 |
| Sesak* | 7 | 316 | 1.411392 | 0.4928665 | 1 | 1.389764 | 0.0000 | 1 | 2 | 1 | 0.3584224 | -1.8774447 | 0.0277259 |
| klasifikasi* | 8 | 316 | 4.000000 | 0.0000000 | 4 | 4.000000 | 0.0000 | 4 | 4 | 0 | NaN | NaN | 0.0000000 |
| bin_umur* | 9 | 316 | 2.939873 | 0.8689669 | 3 | 2.952756 | 1.4826 | 1 | 5 | 4 | -0.0869396 | -0.4608289 | 0.0488832 |
klas_Bronkitis = data_anpro %>%
subset(klasifikasi == "Bronkitis")
shapiro.test(klas_Bronkitis$Umur)##
## Shapiro-Wilk normality test
##
## data: klas_Bronkitis$Umur
## W = 0.97033, p-value = 0.03399##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_Bronkitis$Umur
## D = 0.06969, p-value = 0.7629
## alternative hypothesis: two-sideddescribe(klas_Bronkitis) %>%
kbl(caption = "Variabel Klasifikasi Bronkitis") %>%
kable_classic_2(full_width = T)| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jenis.Kelamin* | 1 | 92 | 1.576087 | 0.4968847 | 2.0 | 1.594595 | 0.000000 | 1 | 2 | 1 | -0.3029271 | -1.9288477 | 0.0518038 |
| Umur | 2 | 92 | 52.445652 | 17.1997726 | 53.5 | 53.202703 | 21.497700 | 13 | 84 | 71 | -0.3005157 | -0.8306674 | 1.7932003 |
| Berat.Badan | 3 | 92 | 44.286739 | 10.0817519 | 44.0 | 43.912162 | 9.080925 | 25 | 68 | 43 | 0.3031466 | -0.4027687 | 1.0510953 |
| Sistole | 4 | 92 | 125.614130 | 23.6161920 | 123.5 | 124.209459 | 20.015100 | 76 | 250 | 174 | 1.5554208 | 6.5876421 | 2.4621582 |
| Diastole | 5 | 92 | 75.092391 | 13.7023479 | 72.0 | 74.105405 | 11.860800 | 46 | 133 | 87 | 1.4693736 | 4.7046443 | 1.4285685 |
| Batuk* | 6 | 92 | 1.869565 | 0.4965240 | 2.0 | 1.878378 | 0.000000 | 1 | 3 | 2 | -0.2678975 | 0.5962087 | 0.0517662 |
| Sesak* | 7 | 92 | 1.402174 | 0.4930235 | 1.0 | 1.378378 | 0.000000 | 1 | 2 | 1 | 0.3925280 | -1.8658496 | 0.0514013 |
| klasifikasi* | 8 | 92 | 1.000000 | 0.0000000 | 1.0 | 1.000000 | 0.000000 | 1 | 1 | 0 | NaN | NaN | 0.0000000 |
| bin_umur* | 9 | 92 | 3.021739 | 0.9136121 | 3.0 | 3.067568 | 1.482600 | 1 | 5 | 4 | -0.2986804 | -0.8531360 | 0.0952506 |
hist(data_anpro$Umur,
main="Umur Pasien",
xlab="Umur (Tahun)",
border="light blue",
col="blue",
las=1,
breaks=10)
# (quantile-quantile) plot
qqnorm(data_anpro$Umur, pch = 1, frame = FALSE)
qqline(data_anpro$Umur, col = "steelblue", lwd = 2)
Variabel Berat Badan
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 10, dapat disimpulkan bahwa data pada variabel berat badan pada setiap kelas penyakit kecuali pneumonia memiliki persebaran data yang normal. Karena nilai Shapiro-Wilk pada kelas penyakit PPOK, tuberculosis, pneumonia dan bronkitis bernilai >0.05. Selain itu, nilai Kolmogorov-Smirnov pada jenis penyakit bronkitis dan pneumonia bernilai >0.05. Persentase koefisien varian pada jenis penyakit PPOK, tuberculosis, pneumonia dan bronkitis <30%. Nilai rasio skewness pada tuberculosis, pneumonia dan bronkitis berada dalam interval -2 dan 2. Nilai rasio kurtosis pada penyakit PPOK, tuberculosis dan bronkitis juga berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel jenis kelamin pada kelas penyakit PPOK, tuberculosis, pneumonia dan bronkitis dapat dianggap mewakili populasi. Histogram pada gambar 6 menggambarkan persebaran data pada variabel berat badan di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel berat badan memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada penyakit ppok, tuberculosis, pneumonia dan bronkitis berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
data_anpro$bin_bb <- cut(data_anpro$Berat.Badan,
breaks=c(20,30,40,50,60,70,80,90),
labels = c("20-30","30-40","40-50",
"50-60","60-70","70-80","80+"),
right = T)
klas_bb <- data_anpro %>%
select(klasifikasi, bin_bb) %>%
dplyr::group_by(klasifikasi, bin_bb)%>%
summarise(n=n()) %>%
spread(bin_bb, n)
klas_bb %>%
kbl(caption = "Klasifikasi Berdasarkan Berat Badan") %>%
kable_classic_2(full_width = F)| klasifikasi | 20-30 | 30-40 | 40-50 | 50-60 | 60-70 | 70-80 |
|---|---|---|---|---|---|---|
| Bronkitis | 10 | 23 | 39 | 16 | 4 | NA |
| PPOK | 21 | 42 | 8 | 1 | NA | NA |
| TBC | 16 | 78 | 120 | 83 | 18 | 1 |
ggplot(data_anpro %>%
select(klasifikasi, bin_bb),
aes(x=bin_bb),
group_by(bin_bb)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
##
## Shapiro-Wilk normality test
##
## data: klas_PPOK$Berat.Badan
## W = 0.95316, p-value = 0.009227##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_PPOK$Berat.Badan
## D = 0.10269, p-value = 0.4335
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_TB$Berat.Badan
## W = 0.99318, p-value = 0.1616##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_TB$Berat.Badan
## D = 0.031326, p-value = 0.9158
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_Bronkitis$Berat.Badan
## W = 0.97673, p-value = 0.09872ks.test(klas_Bronkitis$Berat.Badan, "pnorm", mean(klas_Bronkitis$Berat.Badan),
sd(klas_Bronkitis$Berat.Badan))##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_Bronkitis$Berat.Badan
## D = 0.06807, p-value = 0.7875
## alternative hypothesis: two-sidedVariabel Sistole
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 11, dapat disimpulkan bahwa data pada variabel sistole pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05. Selain itu, persentase koefisien varian pada setiap jenis penyakit <30%, nilai rasio kurtosis pada variabel ppok, tuberculosis dan bronkitis berada dalam interval -2 dan 2, serta nilai rasio skewness pada variabel pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel sistole pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 7 menggambarkan persebaran data pada variabel sistole di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel sistole memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada masing-masing jenis penyakit berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
data_anpro$bin_sistole <- cut(data_anpro$Sistole,
breaks=c(70,90,110,130,150,170,190,210,230,250),
labels = c("70-90","90-110","110-130","130-150",
"150-170","170-190","190-210","210-230",
"230-250"),
right = T)
klas_sistole <- data_anpro %>%
select(klasifikasi, bin_sistole) %>%
dplyr::group_by(klasifikasi, bin_sistole)%>%
summarise(n=n()) %>%
spread(bin_sistole, n)
klas_sistole %>%
kbl(caption = "Klasifikasi Berdasarkan Sistole") %>%
kable_classic_2(full_width = F)| klasifikasi | 70-90 | 90-110 | 110-130 | 130-150 | 150-170 | 170-190 | 230-250 |
|---|---|---|---|---|---|---|---|
| Bronkitis | 3 | 24 | 33 | 24 | 6 | 1 | 1 |
| PPOK | 2 | 17 | 29 | 14 | 7 | 3 | NA |
| TBC | 22 | 88 | 130 | 47 | 24 | 5 | NA |
ggplot(data_anpro %>%
select(klasifikasi, bin_sistole),
aes(x=bin_sistole),
group_by(bin_sistole)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
##
## Shapiro-Wilk normality test
##
## data: klas_PPOK$Sistole
## W = 0.96088, p-value = 0.02476##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_PPOK$Sistole
## D = 0.12355, p-value = 0.2217
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_TB$Sistole
## W = 0.97716, p-value = 6.36e-05##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_TB$Sistole
## D = 0.076059, p-value = 0.05167
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_Bronkitis$Sistole
## W = 0.90143, p-value = 3.792e-06##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_Bronkitis$Sistole
## D = 0.094583, p-value = 0.3829
## alternative hypothesis: two-sidedVariabel Diastole
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 12, dapat disimpulkan bahwa data pada variabel jenis kelamin pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05. Selain itu, persentase koefisien varian pada jenis penyakit PPOK, tuberculosis dan bronkitis <30% dan nilai rasio skewness pada jenis kelamin tuberculosis, bronkitis, pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel jenis kelamin pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 8 menggambarkan persebaran data pada variabel diastole di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel diastole memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada masing-masing jenis penyakit berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
data_anpro$bin_diastole <- cut(data_anpro$Diastole,
breaks=c(30,50,70,90,110,130,150,170,190,210),
labels = c("30-50","50-70","70-90","90-110","110-130",
"130-150", "150-170", "170-190", "190-210"),
right = T)
klas_diastole <- data_anpro %>%
select(klasifikasi, bin_diastole) %>%
dplyr::group_by(klasifikasi, bin_diastole)%>%
summarise(n=n()) %>%
spread(bin_diastole, n)
klas_diastole %>%
kbl(caption = "Klasifikasi Berdasarkan Diastole") %>%
kable_classic_2(full_width = F)| klasifikasi | 30-50 | 50-70 | 70-90 | 90-110 | 110-130 | 130-150 | 150-170 | 170-190 |
|---|---|---|---|---|---|---|---|---|
| Bronkitis | 2 | 41 | 42 | 5 | 1 | 1 | NA | NA |
| PPOK | 2 | 33 | 31 | 4 | NA | NA | 1 | 1 |
| TBC | 7 | 150 | 128 | 28 | 3 | NA | NA | NA |
ggplot(data_anpro %>%
select(klasifikasi, bin_diastole),
aes(x=bin_diastole),
group_by(bin_diastole)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
##
## Shapiro-Wilk normality test
##
## data: klas_PPOK$Diastole
## W = 0.65235, p-value = 8.955e-12##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_PPOK$Diastole
## D = 0.20411, p-value = 0.004962
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_TB$Diastole
## W = 0.95393, p-value = 2.093e-08##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_TB$Diastole
## D = 0.12636, p-value = 8.296e-05
## alternative hypothesis: two-sided##
## Shapiro-Wilk normality test
##
## data: klas_Bronkitis$Diastole
## W = 0.88365, p-value = 6.402e-07ks.test(klas_Bronkitis$Diastole, "pnorm", mean(klas_Bronkitis$Diastole),
sd(klas_Bronkitis$Diastole))##
## One-sample Kolmogorov-Smirnov test
##
## data: klas_Bronkitis$Diastole
## D = 0.15359, p-value = 0.02606
## alternative hypothesis: two-sidedVariabel Batuk
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 13, dapat disimpulkan bahwa data pada variabel batuk pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05. Selain itu, persentase koefisien varian pada jenis penyakit PPOK, tuberculosis dan bronkitis <30% dan nilai rasio skewness variabel batuk pada jenis kelamin bronkitis dan pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel batuk pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 8 menggambarkan persebaran data pada variabel batuk di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel batuk memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada masing-masing jenis penyakit berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
klas_batuk <- data_anpro %>%
select(klasifikasi, Batuk) %>%
dplyr::group_by(klasifikasi, Batuk)%>%
summarise(n=n()) %>%
spread(Batuk, n)
klas_batuk %>%
kbl(caption = "Klasifikasi Berdasarkan Batuk") %>%
kable_classic_2(full_width = F)| klasifikasi | 0 | 1 | 2 |
|---|---|---|---|
| Bronkitis | 18 | 68 | 6 |
| PPOK | 15 | 56 | 1 |
| TBC | 43 | 204 | 69 |
ggplot(data_anpro %>%
select(klasifikasi, Batuk),
aes(x=Batuk),
group_by(Batuk)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
Variabel Sesak
Berdasarkan hasil uji normalitas yang ditunjukkan pada tabel 14, dapat disimpulkan bahwa data pada variabel jenis kelamin pada setiap kelas penyakit paru memiliki persebaran data yang normal. Karena nilai Kolmogorov-Smirnov dan nilai Shapiro-Wilk pada masing-masing kelas penyakit bernilai >0.05. Selain itu, persentase koefisien varian pada jenis penyakit PPOK, tuberculosis dan bronkitis <30% dan nilai rasio skewness variabel sesak pada jenis kelamin bronkitis dan pneumonia berada dalam interval -2 dan 2. Hal tersebut membuktikan bahwa data pada variabel sesak pada setiap kelas penyakit paru dapat dianggap mewakili populasi. Histogram pada gambar 10 menggambarkan persebaran data pada variabel sesak di setiap jenis penyakit paru. Histogram tersebut merupakan salah satu parameter yang digunakan untuk uji normalitas. Apabila histogram simetris (tidak condong ke kanan atau ke kiri) maka dapat disimpulkan bahwa variabel sesak memiliki distribusi data yang normal. Dari gambar tersebut dapat disimpulkan bahwa persebaran data pada masing-masing jenis penyakit berdistribusi normal karena grafik yang dihasilkan simetris (tidak condong ke kanan atau ke kiri).
klas_sesak <- data_anpro %>%
select(klasifikasi, Sesak) %>%
dplyr::group_by(klasifikasi, Sesak)%>%
summarise(n=n()) %>%
spread(Sesak, n)
klas_sesak %>%
kbl(caption = "Klasifikasi Berdasarkan Sesak") %>%
kable_classic_2(full_width = F)| klasifikasi | 0 | 1 |
|---|---|---|
| Bronkitis | 55 | 37 |
| PPOK | 16 | 56 |
| TBC | 186 | 130 |
ggplot(data_anpro %>%
select(klasifikasi, Sesak),
aes(x=Sesak),
group_by(Sesak)) +
geom_bar() +
scale_color_ipsum() +
theme_ipsum_rc() +
facet_wrap(~klasifikasi, ncol = 2)
Goodness of fit Test
Setelah melakukan pemeriksaan visual, dilakukan uji formal untuk pemeriksaan sebaran, yaitu dengan Goodness of fit test.
- H0 = data mengikuti sebaran hipotetik
- H1 = data tidak mengikuti sebaran hipotetik
Menggunakan dua uji yaitu:
- Chi-Square Test, didasarkan pada perbandingan frekuensi amatan antara data contoh empirik dengan kondisi jika sebarannya mengikuti fungsi kepekatan/massa peluang tertentu.
- Kolmogorov-Smirnov Test, didasarkan pada perbandingan antara fungsi sebaran kumulatif empirik dan fungsi sebaram kumulatif hipotetik
Chi-square test of independence
1. Satu Data Sample dengan Chi-square test
##
## Chi-squared test for given probabilities
##
## data: table(data_anpro$Jenis.Kelamin)
## X-squared = 2.7, df = 1, p-value = 0.1003##
## Chi-squared test for given probabilities
##
## data: table(data_anpro$Umur)
## X-squared = 209.79, df = 76, p-value = 1.816e-14##
## Chi-squared test for given probabilities
##
## data: table(data_anpro$Berat.Badan)
## X-squared = 781.68, df = 145, p-value < 2.2e-16##
## Chi-squared test for given probabilities
##
## data: table(data_anpro$Sistole)
## X-squared = 932.16, df = 96, p-value < 2.2e-16##
## Chi-squared test for given probabilities
##
## data: table(data_anpro$Diastole)
## X-squared = 1688.8, df = 73, p-value < 2.2e-162. Dua Data Sample dengan Chi-square test
##
## Pearson's Chi-squared test
##
## data: table(data_anpro$Umur, data_anpro$Berat.Badan)
## X-squared = 11941, df = 11020, p-value = 7.505e-10## Number of cases in table: 480
## Number of factors: 2
## Test for independence of all factors:
## Chisq = 11941, df = 11020, p-value = 7.505e-10
## Chi-squared approximation may be incorrect## X^2 df P(> X^2)
## Likelihood Ratio 2501.4 11020 1.0000e+00
## Pearson 11941.1 11020 7.5051e-10
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.98
## Cramer's V : 0.572##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: data_anpro$Umur and data_anpro$Berat.Badan
## p-value = 0.0004998
## alternative hypothesis: two.sidedKolmogorov-Smirnov
Pada uji Kolmogorov-Smirnov, hipotesis nol menyatakan data yang diteliti berasal dari populasi yang berdistribusi normal, sedangkan hipotesis alternatif menyatakan data yang diteliti tidak berasal dari populasi yang berdistribusi normal.
##
## One-sample Kolmogorov-Smirnov test
##
## data: data_anpro$Umur
## D = 0.05456, p-value = 0.1148
## alternative hypothesis: two-sided##
## Two-sample Kolmogorov-Smirnov test
##
## data: data_anpro$Umur and data_anpro$Berat.Badan
## D^- = 0.34792, p-value < 2.2e-16
## alternative hypothesis: the CDF of x lies below that of y##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: data_anpro$Umur
## D = 0.05456, p-value = 0.001638Uji Jarque-Bera
Variabel Umur
##
## Jarque Bera Test
##
## data: data_anpro$Umur
## X-squared = 13.983, df = 2, p-value = 0.0009197Variabel Berat Badan
##
## Jarque Bera Test
##
## data: data_anpro$Berat.Badan
## X-squared = 10.078, df = 2, p-value = 0.006479Variabel Sistole
##
## Jarque Bera Test
##
## data: data_anpro$Sistole
## X-squared = 144.99, df = 2, p-value < 2.2e-164.1.2 Uji Homogenitas
Uji Kesaman Varians Populasi dengan Uji Levene’s
- H0 = tidak terdapat perbedaan varians di antara populasi
- H1 = terdapat paling tidak sepasang varians populasi yang berbeda
Menghitung nilai kritis 𝐹.
Berikut rumus untuk menghitung nilai derajat bebas pembilang dan derajat bebas penyebut
Derajat bebas pembilang = k-1
Derajat bebas penyebut = N-k
Jika L <= nilai kritis F, maka H0 diterima dan H1 ditolak
Jika L > nilai kritis F, maka H0 ditolak dan H1 diterima
## [1] 2.623598Variabel Diastole
Pengambilan keputusan terhadap hipotesis juga dapat dilakukan dengan membandingkan nilai probabilitas dari uji Levene terhadap tingkat signifikansi 𝛼 (significance level).
- Jika nilai probabilitasnya >= tingkat signifikansi, maka H0 diterima dan H1 ditolak
- Jika nilai probabilitasnya < tingkat signifikansi, maka H0 ditolak dan H1 diterima
library(lawstat)
levene.test(data_anpro[,"Berat.Badan"], data_anpro[,"Umur"],
data_anpro[,"Sistole"], data_anpro[,"Diastole"],
location="median", correction.method="zero.correction")##
## Modified robust Brown-Forsythe Levene-type test based on the absolute
## deviations from the median with modified structural zero removal
## method and correction factor
##
## data: data_anpro[, "Berat.Badan"]
## Test Statistic = 1.2261, p-value = 0.1256levene.test(data_anpro[,"Umur"], data_anpro[,"Berat.Badan"],
data_anpro[,"Sistole"], data_anpro[,"Diastole"],
location="mean", correction.method="zero.correction")##
## Classical Levene's test based on the absolute deviations from the mean
## ( zero.correction not applied because the location is not set to
## median )
##
## data: data_anpro[, "Umur"]
## Test Statistic = 2.1386, p-value = 8.684e-09library(doBy)
summaryBy(klasifikasi ~ Umur + Berat.Badan + Sistole + Diastole,
data=data_anpro, FUN=function(x) {
c(mean(x), var(x), sum(x))}
)4.1.3 Analysis of Variances (Uji F)
Uji ANOVA (Analysis of Variance) adalah salah satu uji parametrik yang dapat digunakan untuk membandingkan mean dari tiga atau lebih kelompok. Asumsi-asumsi yang harus dipenuhi pada Uji ANOVA:
- Data pada setiap kelompok berdistribusi normal
- Setiap kelompok observasi harus saling bebas
- Nilai varians pada setiap kelompok harus sama atau homogen
var01 <- c(rep("Jenis.Kelamin",480), rep("Umur", 480),
rep("Berat.Badan",480), rep("Sistole",480),
rep("Diastole",480), rep("Batuk",480),
rep("Sesak", 480))
var02 <- c(data_anpro$Jenis.Kelamin, data_anpro$Umur,
data_anpro$Berat.Badan, data_anpro$Sistole,
data_anpro$Diastole, data_anpro$Batuk,
data_anpro$Sesak)
df <- data.frame(var01, var02)##
## Kruskal-Wallis rank sum test
##
## data: var02 by var01
## Kruskal-Wallis chi-squared = 3035.6, df = 6, p-value < 2.2e-16## Df Sum Sq Mean Sq F value Pr(>F)
## var01 6 5998259 999710 6562 <2e-16 ***
## Residuals 3353 510853 152
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Uji Tukey HSD
library(multcomp)
tukey_output <- TukeyHSD(data_anpro_aov)
#Print tukey_output
tukey_output## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = var02 ~ var01, data = df)
##
## $var01
## diff lwr upr p adj
## Berat.Badan-Batuk 41.693270833 39.342747 44.043794 0.0000000
## Diastole-Batuk 72.868750000 70.518227 75.219273 0.0000000
## Jenis.Kelamin-Batuk -0.537500000 -2.888023 1.813023 0.9939624
## Sesak-Batuk -0.535416667 -2.885940 1.815107 0.9940884
## Sistole-Batuk 120.129166667 117.778643 122.479690 0.0000000
## Umur-Batuk 50.410416667 48.059893 52.760940 0.0000000
## Diastole-Berat.Badan 31.175479167 28.824956 33.526003 0.0000000
## Jenis.Kelamin-Berat.Badan -42.230770833 -44.581294 -39.880247 0.0000000
## Sesak-Berat.Badan -42.228687500 -44.579211 -39.878164 0.0000000
## Sistole-Berat.Badan 78.435895833 76.085372 80.786419 0.0000000
## Umur-Berat.Badan 8.717145833 6.366622 11.067669 0.0000000
## Jenis.Kelamin-Diastole -73.406250000 -75.756773 -71.055727 0.0000000
## Sesak-Diastole -73.404166667 -75.754690 -71.053643 0.0000000
## Sistole-Diastole 47.260416667 44.909893 49.610940 0.0000000
## Umur-Diastole -22.458333333 -24.808857 -20.107810 0.0000000
## Sesak-Jenis.Kelamin 0.002083333 -2.348440 2.352607 1.0000000
## Sistole-Jenis.Kelamin 120.666666667 118.316143 123.017190 0.0000000
## Umur-Jenis.Kelamin 50.947916667 48.597393 53.298440 0.0000000
## Sistole-Sesak 120.664583333 118.314060 123.015107 0.0000000
## Umur-Sesak 50.945833333 48.595310 53.296357 0.0000000
## Umur-Sistole -69.718750000 -72.069273 -67.368227 0.00000004.1.4 Uji Korelasi
| Umur | Berat.Badan | Sistole | Diastole | |
|---|---|---|---|---|
| Umur | 1 | -0.2205 | 0.2451 | 0.1039 |
| Berat.Badan | -0.2205 | 1 | 0.02341 | 0.05551 |
| Sistole | 0.2451 | 0.02341 | 1 | 0.701 |
| Diastole | 0.1039 | 0.05551 | 0.701 | 1 |
cor_pearson <- corr.test(data_anpro_cor,
use = "pairwise",
method="pearson",
adjust="holm",
alpha=.05,
ci=TRUE,
minlength=5)
cor_pearson## Call:corr.test(x = data_anpro_cor, use = "pairwise", method = "pearson",
## adjust = "holm", alpha = 0.05, ci = TRUE, minlength = 5)
## Correlation matrix
## Umur Berat.Badan Sistole Diastole
## Umur 1.00 -0.22 0.25 0.10
## Berat.Badan -0.22 1.00 0.02 0.06
## Sistole 0.25 0.02 1.00 0.70
## Diastole 0.10 0.06 0.70 1.00
## Sample Size
## [1] 480
## Probability values (Entries above the diagonal are adjusted for multiple tests.)
## Umur Berat.Badan Sistole Diastole
## Umur 0.00 0.00 0.00 0.07
## Berat.Badan 0.00 0.00 0.61 0.45
## Sistole 0.00 0.61 0.00 0.00
## Diastole 0.02 0.22 0.00 0.00
##
## To see confidence intervals of the correlations, print with the short=FALSE optioncor_spearman <- corr.test(data_anpro_cor,
use = "pairwise",
method="spearman",
adjust="holm",
alpha=.05,
ci=TRUE,
minlength=5)
cor_spearman## Call:corr.test(x = data_anpro_cor, use = "pairwise", method = "spearman",
## adjust = "holm", alpha = 0.05, ci = TRUE, minlength = 5)
## Correlation matrix
## Umur Berat.Badan Sistole Diastole
## Umur 1.00 -0.25 0.26 0.09
## Berat.Badan -0.25 1.00 0.01 0.05
## Sistole 0.26 0.01 1.00 0.75
## Diastole 0.09 0.05 0.75 1.00
## Sample Size
## [1] 480
## Probability values (Entries above the diagonal are adjusted for multiple tests.)
## Umur Berat.Badan Sistole Diastole
## Umur 0.00 0.00 0.00 0.13
## Berat.Badan 0.00 0.00 0.84 0.64
## Sistole 0.00 0.84 0.00 0.00
## Diastole 0.04 0.32 0.00 0.00
##
## To see confidence intervals of the correlations, print with the short=FALSE option