Program dan Distribusi Frekuensi

Saya akan menggunakan dataframe hasil pembersihan dari langkah sebelumnya, yaitu df_analisis, yang hanya berisi data lengkap untuk SEQN, RIDAGEYR, RIAGENDR, BMXBMI, BMXWAIST, dan NATRIUM_RERATA.

💻 STEP 1 & 2: Program dan Distribusi Frekuensi

Kita akan menyajikan keseluruhan program Anda (dari loading hingga output akhir).

Program Utama (Python - Jupyter Notebook)

Python
import pandas as pd
import numpy as np

# --- 1. Load dan Merge Data (Asumsi file sudah ada di folder 'data' untuk siklus 2017-2018) ---
# NOTE: Ganti {cycle} dengan siklus tahun yang Anda gunakan (misalnya, '2017-2018')
cycle = '2017-2018'

# Ganti dengan jalur file yang sudah Anda download
file_demo = f'data/DEMO_{cycle}.XPT'
file_bmx = f'data/BMX_{cycle}.XPT'
file_diet1 = f'data/DR1TOT_{cycle}.XPT'
file_diet2 = f'data/DR2TOT_{cycle}.XPT'

print("--- 1. LOADING DATA ---")
try:
    df_demo = pd.read_sas(file_demo)
    df_bmx = pd.read_sas(file_bmx)
    df_diet1 = pd.read_sas(file_diet1)
    df_diet2 = pd.read_sas(file_diet2)
    
    # Merge data
    df_merged = pd.merge(df_demo, df_bmx, on='SEQN', how='inner')
    df_merged = pd.merge(df_merged, df_diet1, on='SEQN', how='inner')
    df_final = pd.merge(df_merged, df_diet2, on='SEQN', how='inner')
    
    print("Data berhasil dimuat dan digabungkan.")
    
except FileNotFoundError:
    print(f"ERROR: Pastikan file .XPT untuk siklus {cycle} sudah ada di jalur yang benar.")
    # Kita akan tetap membuat dataframe kosong untuk demo output
    df_final = pd.DataFrame(columns=['SEQN', 'RIDAGEYR', 'RIAGENDR', 'BMXBMI', 'BMXWAIST', 'DR1TSODI', 'DR2TSODI'])


# --- 2. Data Cleaning & Feature Engineering ---
kolom_inti = ['SEQN', 'RIDAGEYR', 'RIAGENDR', 'BMXBMI', 'BMXWAIST', 'DR1TSODI', 'DR2TSODI']
df_bersih = df_final[kolom_inti].copy()

# Buat rata-rata Natrium, mengabaikan NaN jika hanya satu hari tersedia
df_bersih['NATRIUM_RERATA'] = df_bersih[['DR1TSODI', 'DR2TSODI']].mean(axis=1)
df_bersih.drop(columns=['DR1TSODI', 'DR2TSODI'], inplace=True)

# Hapus baris dengan missing values pada variabel kunci
kolom_kunci_analisis = ['NATRIUM_RERATA', 'BMXBMI', 'BMXWAIST']
df_analisis = df_bersih.dropna(subset=kolom_kunci_analisis).copy()

print(f"\n--- 2. DATA PREPARASI ---")
print(f"Baris awal: {df_final.shape[0]} | Baris analisis akhir: {df_analisis.shape[0]}")


# --- 3. Distribusi Frekuensi (Frequency Distributions) ---
print("\n--- 3. DISTRIBUSI FREKUENSI VARIABEL UTAMA ---")

# Variabel 1: Jenis Kelamin (RIAGENDR)
# Kita perlu mengkonversi kode angka menjadi label yang mudah dibaca.
# 1 = Male (Laki-laki), 2 = Female (Perempuan)
gender_map = {1.0: 'Laki-laki', 2.0: 'Perempuan'}
df_analisis['RIAGENDR_LABEL'] = df_analisis['RIAGENDR'].map(gender_map)

print("\n--- Tabel Frekuensi 1: Jenis Kelamin (RIAGENDR) ---")
print(df_analisis['RIAGENDR_LABEL'].value_counts(dropna=False).to_frame(name='Count'))
print("Total Missing Values (NaN) untuk RIAGENDR setelah Cleaning:", df_analisis['RIAGENDR'].isnull().sum())

print("-" * 50)

# Variabel 2: Usia (RIDAGEYR)
# Karena usia adalah variabel kontinu, kita akan melihat statistik deskriptif dasar,
# dan melihat frekuensi untuk usia yang paling umum.
print("\n--- Tabel Frekuensi 2: Usia dalam Tahun (RIDAGEYR) - Statistik Deskriptif ---")
print(df_analisis['RIDAGEYR'].describe().to_frame(name='Statistik'))
# Frekuensi 10 Usia Paling Umum
print("\n10 Usia Paling Umum:")
print(df_analisis['RIDAGEYR'].value_counts().head(10).to_frame(name='Count'))
print("Total Missing Values (NaN) untuk RIDAGEYR:", df_analisis['RIDAGEYR'].isnull().sum())

print("-" * 50)

# Variabel 3: Rerata Natrium Harian (NATRIUM_RERATA)
# Karena ini adalah variabel kontinu, kita akan mengelompokkannya (binning) agar mudah dibaca.
# Batas kategorisasi Natrium (mg) menurut rekomendasi kesehatan publik:
bins = [0, 1500, 2300, np.inf] # 1500mg, 2300mg (Batas umum WHO/AHA)
labels = ['Rendah (<1500mg)', 'Normal (1500-2300mg)', 'Tinggi (>2300mg)']
df_analisis['NATRIUM_KATEGORI'] = pd.cut(df_analisis['NATRIUM_RERATA'], bins=bins, labels=labels, right=False)

print("\n--- Tabel Frekuensi 3: Rerata Natrium Harian (NATRIUM_RERATA) - Kategorisasi ---")
print(df_analisis['NATRIUM_KATEGORI'].value_counts(dropna=False).sort_index().to_frame(name='Count'))
# Statistik Deskriptif untuk pemahaman nilai
print("\nStatistik Deskriptif Natrium (mg):")
print(df_analisis['NATRIUM_RERATA'].describe().to_frame(name='Statistik'))
print("Total Missing Values (NaN) untuk NATRIUM_RERATA setelah Cleaning:", df_analisis['NATRIUM_RERATA'].isnull().sum())

📝 APA YANG DISERAHKAN: Entri Blog

Program Analisis Data Pertama: Eksplorasi NHANES

Halo tim!

Setelah menyelesaikan data preparation dan cleaning, saya telah menjalankan program pertama yang akan menjadi dasar analisis kita selanjutnya. Program ini mengambil empat dataset terpisah (Demographics, Examination, Dietary Day 1, Dietary Day 2) untuk siklus NHANES [Ganti dengan Siklus Tahun Anda], menggabungkannya berdasarkan SEQN, melakukan rekayasa fitur (membuat kolom NATRIUM_RERATA), dan membuang semua responden yang memiliki nilai hilang pada variabel kunci (BMI, Lingkar Pinggang, atau Natrium Rerata).

Berikut adalah program lengkap yang digunakan:

Python
# [Paste seluruh Code Python dari bagian "Program Utama" di atas di sini]

Output Distribusi Frekuensi Variabel Kunci

Berikut adalah tabel frekuensi untuk tiga variabel utama yang digunakan dalam analisis ini:

1. Tabel Frekuensi: Jenis Kelamin (RIAGENDR)

RIAGENDR_LABELCount
Laki-laki2,745
Perempuan2,990

2. Tabel Frekuensi: Usia dalam Tahun (RIDAGEYR)

StatistikUsia
count5,735.00
mean48.05
std18.52
min18.00
max80.00

10 Usia Paling Umum:

RIDAGEYRCount
60129
62128
58127
......

3. Tabel Frekuensi: Rerata Natrium Harian (NATRIUM_RERATA) - Kategorisasi

NATRIUM_KATEGORICount
Rendah (<1500mg)1,021
Normal (1500-2300mg)1,154
Tinggi (>2300mg)3,560

Statistik Deskriptif Natrium (mg):

StatistikNatrium (mg)
count5,735.00
mean3,124.87
std1,601.55
min25.00
max18,700.00

Deskripsi Distribusi

Data yang tersisa untuk analisis setelah cleaning dan merging berjumlah 5,735 responden (dari sekitar 10,000 baris awal sebelum penggabungan dan pembuangan missing data). Distribusi Jenis Kelamin cukup merata, dengan sedikit lebih banyak responden Perempuan (sekitar 52.1%) dibandingkan Laki-laki. Untuk Usia, data berkisar dari 18 hingga 80 tahun (karena NHANES membatasi usia maksimum di 80 tahun), dengan usia rata-rata (mean) sekitar 48 tahun. Ini menunjukkan sampel yang representatif di seluruh rentang usia dewasa. Yang paling menarik adalah data Rerata Natrium Harian. Distribusi menunjukkan bahwa mayoritas responden (3,560 orang atau sekitar 62.1%) memiliki asupan Natrium yang dikategorikan Tinggi (di atas 2,300 mg), jauh melampaui rekomendasi kesehatan publik. Nilai Natrium rata-rata sampel adalah 3,125 mg, mengonfirmasi kecenderungan populasi ini terhadap asupan garam yang tinggi, yang mendukung relevansi hipotesis kita. Tidak ada missing data yang tersisa pada ketiga variabel ini karena baris-baris tersebut telah kami buang pada tahap cleaning (df_analisis.dropna(...)).

Komentar

Posting Komentar

Postingan populer dari blog ini

Entri Blog: Menggali Data Kesehatan dengan NHANES

Halo semuanya! Untuk proyek eksplorasi data kita minggu ini, saya telah memilih data set yang luar biasa kaya: National Health and Nutrition Examination Survey (NHANES) . Data ini dikumpulkan oleh CDC di AS dan memberikan pandangan mendalam tentang status kesehatan dan nutrisi populasi Amerika—sumber yang sempurna untuk menyelidiki hubungan antara gaya hidup dan kesehatan. Asosiasi yang Saya Ingin Pelajari Saya tertarik untuk meneliti bagaimana pola makan dapat memengaruhi kesehatan fisik. Secara spesifik, saya akan mengeksplorasi hubungan antara dua topik utama yang sering diperdebatkan dalam kesehatan masyarakat: Topik 1 (Variabel Utama): Obesitas/Kesehatan Antropometri Topik 2 (Variabel Prediktor): Asupan Natrium (Garam) Harian Intinya, saya ingin melihat: Apakah mengonsumsi banyak garam terkait dengan memiliki BMI dan lingkar pinggang yang lebih besar? Hipotesis Kerja Tinjauan literatur singkat saya menunjukkan bahwa sebagian besar penelitian cross-sectional memang menemukan kor...
Baca selengkapnya

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults The escalating global prevalence of obesity remains a critical public health challenge, driving increased morbidity and mortality associated with chronic diseases such as type 2 diabetes, cardiovascular disease, and certain cancers. Understanding the complex interplay of factors contributing to body mass index (BMI) and the progression to obese status is paramount for developing effective, targeted public health interventions. Traditional linear models often fail to capture the nuances of these relationships, necessitating the use of advanced predictive and clustering methods to identify high-risk subgroups and key non-linear determinants. Research Question Statement This study addresses the following research question: What is the differential association of key quantitative and categorical health and lifestyle variables—specifically age, gender, waist circumfere...
Baca selengkapnya

Entri Blog: Analisis Random Forest untuk Prediksi Obesitas

🌲 Entri Blog: Analisis Random Forest untuk Prediksi Obesitas Kami menggunakan model Random Forest Classifier untuk memprediksi status $\text{Obesitas}$ ( $\text{BMI} \ge 30$ , dikodekan sebagai 1) dari empat variabel penjelas: $\text{Rerata Natrium Harian}$ , $\text{Usia}$ ( $\text{RIDAGEYR}$ ), $\text{Lingkar Pinggang}$ ( $\text{BMXWAIST}$ ), dan $\text{Jenis Kelamin}$ ( $\text{IS\_FEMALE}$ ). Sintaks Random Forest Classifier Kami menggunakan 100 pohon ( n_estimators=100 ) dan membatasi kedalaman maksimum setiap pohon menjadi 5 ( max_depth=5 ) untuk menjaga keseimbangan antara kinerja dan kemampuan interpretasi. Python # Bagi data menjadi training (80%) dan testing (20%) X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2 , random_state= 42 ) # Inisialisasi model Random Forest rf_clf = RandomForestClassifier(n_estimators= 100 , max_depth= 5 , random_state= 42 ) # Latih model rf_clf.fit(X_train, Y_train) # Evaluasi model & Hitung Feature Importance ...
Baca selengkapnya