1 Pengenalan

1.1 Sejarah Mobil

Mobil pertama ditemukan pada akhir abad ke-19 oleh insinyur Jerman Karl Benz. Dia dikreditkan dengan menciptakan mobil praktis pertama yang ditenagai oleh mesin pembakaran internal. Benz Patent-Motorwagen, demikian sebutannya, dipatenkan pada 29 Januari 1886 dan dianggap sebagai mobil sejati pertama. Penemuan mobil memiliki dampak besar pada dunia modern, merevolusi transportasi dan mengubah cara orang hidup dan bekerja.

1.2 Emisi Mobil

Emisi mobil mengacu pada polutan yang dilepaskan ke udara dari knalpot kendaraan bermotor, seperti mobil, truk, dan bus. Emisi ini termasuk zat berbahaya seperti karbon monoksida, nitrogen oksida, partikel, dan gas rumah kaca seperti karbon dioksida. Tingkat emisi mobil yang tinggi dapat berkontribusi terhadap polusi udara, yang dapat berdampak negatif pada kesehatan manusia dan lingkungan, seperti masalah pernapasan dan perubahan iklim. Untuk mengatasi masalah ini, pemerintah di seluruh dunia telah menerapkan peraturan untuk mengurangi emisi dari kendaraan, seperti standar emisi untuk mobil baru dan penggunaan teknologi yang lebih bersih seperti kendaraan listrik dan hibrida.

Emisi adalah polutan dari kendaraan bermotor yang sebagian besar mengandung zat berbahaya seperti karbon monoksida, dll

2 Load Data

2.1 Membaca Dataset

Data tersimpan dalam consumption-rating.csv berisi data transaksi emisi mobil berdasarkan merek, tipe, dan mesin. Data bersumber dari Kaggle.

library(ggplot2)
# read data
car_compsution <- read.csv("data_input/consumption_rating.csv")

2.2 Kamus Data

Deskripsi kolom:

Model.Year: Tahun Manufaktur
Make: Manufaktur
Model: Tipe mobil
Vehicle.Class: Kelas Mobil
Engine.Size.L: Kapasitas mesin dalam liter
Cylinders: Silinder Mesin
Transmission: Transmisi Mesin
Fuel.Type: Tipe Bahan Bakar
Fuel.Consumption..City..L.100.km.: Konsumsi bahan bakar untuk perjalanan dalam kota dalam liter per 100 KM
Fuel.Consumption.Hwy..L.100.km..: Konsumsi bahan bakar untuk perjalanan jalan tol dalam liter per 100 KM
Fuel.Consumption..City..L.100.km.: Konsumsi bahan bakar untuk perjalanan kombinasi dalam liter per 100 KM
Fuel.Consumption.Comb..mpg..: Konsumsi bahan bakar untuk perjalanan kombinasi dalam miles per imperial gallon

Deskripri Nilai Data :

Model:

4WD/4X4 = Four-wheel drive
AWD = All-wheel drive
FFV = Flexible-fuel vehicle
SWB = Short wheelbase
LWB = Long wheelbase
EWB = Extended wheelbase

Transmission:

A = automatic
AM = automated manual
AS = automatic with select shift
AV = continuously variable
M = manual
3 – 10 = Number of gears

Fuel type:

X = regular gasoline
Z = premium gasoline
D = diesel
E = ethanol (E85)
N = natural gas

2.3 Bentuk Data

print(paste("Total Baris : ", dim(car_compsution)[1]))

#> [1] "Total Baris :  946"

print(paste("Total Kolom : ", dim(car_compsution)[2]))

#> [1] "Total Kolom :  15"

2.4 Nama Kolom

names(car_compsution)

#>  [1] "Model.Year"                        "Make"                             
#>  [3] "Model"                             "Vehicle.Class"                    
#>  [5] "Engine.Size.L."                    "Cylinders"                        
#>  [7] "Transmission"                      "Fuel.Type"                        
#>  [9] "Fuel.Consumption..City..L.100.km." "Fuel.Consumption.Hwy..L.100.km.." 
#> [11] "Fuel.Consumption.Comb..L.100.km.." "Fuel.Consumption.Comb..mpg.."     
#> [13] "CO2.Emissions.g.km."               "CO2.Rating"                       
#> [15] "Smog.Rating"

2.5 Struktur Data

str(car_compsution)

#> 'data.frame':    946 obs. of  15 variables:
#>  $ Model.Year                       : int  2022 2022 2022 2022 2022 2022 2022 2022 2022 2022 ...
#>  $ Make                             : chr  "Acura" "Acura" "Acura" "Acura" ...
#>  $ Model                            : chr  "ILX" "MDX SH-AWD" "RDX SH-AWD" "RDX SH-AWD A-SPEC" ...
#>  $ Vehicle.Class                    : chr  "Compact" "SUV: Small" "SUV: Small" "SUV: Small" ...
#>  $ Engine.Size.L.                   : num  2.4 3.5 2 2 2 2 3 3 2 2 ...
#>  $ Cylinders                        : int  4 6 4 4 4 4 6 6 4 4 ...
#>  $ Transmission                     : chr  "AM8" "AS10" "AS10" "AS10" ...
#>  $ Fuel.Type                        : chr  "Z" "Z" "Z" "Z" ...
#>  $ Fuel.Consumption..City..L.100.km.: num  9.9 12.6 11 11.3 11.2 11.3 12.3 12.3 10 10.5 ...
#>  $ Fuel.Consumption.Hwy..L.100.km.. : num  7 9.4 8.6 9.1 8 8.1 9.4 9.8 7.2 7.7 ...
#>  $ Fuel.Consumption.Comb..L.100.km..: num  8.6 11.2 9.9 10.3 9.8 9.8 11 11.2 8.7 9.2 ...
#>  $ Fuel.Consumption.Comb..mpg..     : int  33 25 29 27 29 29 26 25 32 31 ...
#>  $ CO2.Emissions.g.km.              : int  200 263 232 242 230 231 256 261 205 217 ...
#>  $ CO2.Rating                       : int  6 4 5 5 5 5 5 4 6 5 ...
#>  $ Smog.Rating                      : int  3 5 6 6 7 7 5 5 3 3 ...

2.6 Ringkasan Data

head(car_compsution)

3 Data Wrangling

3.1 Data Preparation

1. Buat Nama mobil dengan menggabungkan Make dan Model

car_compsution$Product_name <- paste0(car_compsution$Make, " " ,car_compsution$Model)

2. Ubah nama kolom sesuai dengan representasi datanya, agar lebih mudah`

names(car_compsution)[names(car_compsution) == 'Vehicle.Class'] <- "Class"
names(car_compsution)[names(car_compsution) == 'Engine.Size.L.'] <- "Engine_in_litres"
names(car_compsution)[names(car_compsution) == 'Fuel.Type'] <- "Fuel_type"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption..City..L.100.km.'] <- "Fuel_consumption_city_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Hwy..L.100.km..'] <- "Fuel_consumption_highway_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Comb..L.100.km..'] <- "Fuel_consumption_combine_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Comb..mpg..'] <- "Fuel_consumption_combine_l_mpg"
names(car_compsution)[names(car_compsution) == 'CO2.Emissions.g.km.'] <- "CO2_emission_in_g_per_km"

sudah ditambahkan Product_name sebagai reprentasi unik nama mobilnya

car_compsution[1,]

3.2 Cek NA / Missing Value

anyNA(car_compsution)

#> [1] FALSE

insight : … tidak ada data yang NA value

3.3 Cek Duplikat Data

sum(duplicated(car_compsution))

#> [1] 0

insight : … tidak ada data duplikat

3.4 Pergantian Data Tipe

car_compsution$Make <- as.factor(car_compsution$Make)
car_compsution$Class <- as.factor(car_compsution$Class)
car_compsution$Fuel_type <- as.factor(car_compsution$Fuel_type)
car_compsution$Transmission <- as.factor(car_compsution$Transmission)

4 Business Question

1. Brand mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?

2. Mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?

3. Brand mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

4. Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

5. Tipe Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

5. Tipe Mobil apakah yang mempunyai Konsumsi Bahan bakar yang lebih baik?

6. Apakah Ada pengaruh Kapasitas mesin terhadap emisi dan Smog?

7. Apakah ada pengaruh Tipe bahan bakar terhadap emisi dan smog?

8. Apakah ada pengaruh konsumsi bahan bakar terhadap emisi dan smug?

5 Exploratory Data Analysis

5.1 5 Number Summary

summary(car_compsution)

#>    Model.Year          Make        Model                              Class    
#>  Min.   :2022   Ford     : 89   Length:946         SUV: Small            :197  
#>  1st Qu.:2022   Chevrolet: 80   Class :character   SUV: Standard         :141  
#>  Median :2022   Porsche  : 77   Mode  :character   Mid-size              :117  
#>  Mean   :2022   BMW      : 60                      Pickup truck: Standard:113  
#>  3rd Qu.:2022   GMC      : 54                      Subcompact            : 80  
#>  Max.   :2022   Toyota   : 51                      Compact               : 69  
#>                 (Other)  :535                      (Other)               :229  
#>  Engine_in_litres   Cylinders       Transmission Fuel_type
#>  Min.   :1.200    Min.   : 3.000   AS8    :212   D: 28    
#>  1st Qu.:2.000    1st Qu.: 4.000   A8     :100   E: 14    
#>  Median :3.000    Median : 6.000   AS10   : 87   X:446    
#>  Mean   :3.199    Mean   : 5.668   A10    : 72   Z:458    
#>  3rd Qu.:3.800    3rd Qu.: 6.000   M6     : 71            
#>  Max.   :8.000    Max.   :16.000   AM7    : 70            
#>                                    (Other):334            
#>  Fuel_consumption_city_l_per_100km Fuel_consumption_highway_l_per_100km
#>  Min.   : 4.00                     Min.   : 3.900                      
#>  1st Qu.:10.20                     1st Qu.: 7.700                      
#>  Median :12.20                     Median : 9.200                      
#>  Mean   :12.51                     Mean   : 9.363                      
#>  3rd Qu.:14.70                     3rd Qu.:10.700                      
#>  Max.   :30.30                     Max.   :20.900                      
#>                                                                        
#>  Fuel_consumption_combine_l_per_100km Fuel_consumption_combine_l_mpg
#>  Min.   : 4.00                        Min.   :11.00                 
#>  1st Qu.: 9.10                        1st Qu.:22.00                 
#>  Median :10.80                        Median :26.00                 
#>  Mean   :11.09                        Mean   :27.25                 
#>  3rd Qu.:12.90                        3rd Qu.:31.00                 
#>  Max.   :26.10                        Max.   :71.00                 
#>                                                                     
#>  CO2_emission_in_g_per_km   CO2.Rating      Smog.Rating   Product_name      
#>  Min.   : 94.0            Min.   : 1.000   Min.   :1.00   Length:946        
#>  1st Qu.:213.2            1st Qu.: 3.000   1st Qu.:3.00   Class :character  
#>  Median :257.0            Median : 5.000   Median :5.00   Mode  :character  
#>  Mean   :259.2            Mean   : 4.539   Mean   :4.95                     
#>  3rd Qu.:300.8            3rd Qu.: 5.000   3rd Qu.:6.00                     
#>  Max.   :608.0            Max.   :10.000   Max.   :7.00                     
#>

5.2 Karakteristik C02 Rating

boxplot(car_compsution$CO2.Rating, horizontal = T, 
        main="Karakteristik Data CO2 Rating",
        xlab="Value",
        ylab="CO2 Rating",
        col="orange",
        border="brown"
  )

insight : …

sebagian besar data berkumpul pada range 3 - 5 pada CO2 rating, bisa kita kategorikan range data ini sebagai C02 rating mobil pada umumnya
terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai C02 rating lebih baik dari kebanyakan mobil pada umumnya
terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai CO2 lebih buruk dari kebanyakan mobil pada umumnya
terdapat outlier yang menandakan ada data yang mempunyai CO2 yang buruk pada rentang data Q1 - Q3

5.3 Karakteristik Smog Rating

boxplot(car_compsution$Smog.Rating, horizontal = T,
        main="Karakteristik Data Smog Rating",
        xlab="Value",
        ylab="Smog Rating",
        col="orange",
        border="brown"
 )

insight : …

sebagian besar data berkumpul pada range 3 - 6 pada Smog rating, bisa kita kategorikan range data ini sebagai Smog rating mobil pada umumnya
terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai Smog rating lebih baik dari kebanyakan mobil pada umumnya
terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai Smog lebih buruk dari kebanyakan mobil pada umumnya
tidak terdapat outlier

5.4 Karakteristik CO2 Emisi Per KM

boxplot(car_compsution$CO2_emission_in_g_per_km, horizontal = T,
        main="Karakteristik CO2 Emisi per KM",
        xlab="Value",
        ylab="CO2 Emisi",
        col="orange",
        border="brown")

insight : …

sebagian besar data berkumpul pada range 210 - 300 pada C02 Emission, bisa kita kategorikan range data ini sebagai CO2 Emission mobil pada umumnya
terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai C02 Emission lebih baik dari kebanyakan mobil pada umumnya
terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai C02 Emission lebih buruk dari kebanyakan mobil pada umumnya
terdapat outlier yang menandakan ada data/mobil yang mempunyai C02 Emission lebih buruk dari rentang data

5.5 Korelasi data

library(GGally)
ggcorr(car_compsution, label = T)

cor.test(x = car_compsution$Engine_in_litres, y = car_compsution$CO2.Rating)

#> 
#>  Pearson's product-moment correlation
#> 
#> data:  car_compsution$Engine_in_litres and car_compsution$CO2.Rating
#> t = -36.65, df = 944, p-value < 0.00000000000000022
#> alternative hypothesis: true correlation is not equal to 0
#> 95 percent confidence interval:
#>  -0.7914153 -0.7386754
#> sample estimates:
#>        cor 
#> -0.7663334

insight : …

terdapat banyak data numerik yang berkorelasi sedang - kuat antara masing masing kolom data, negatif / positif
berdasarkan cor.test relasi antara kapasitas mesin dan co2 rating signifikan

6 Analisa Jawaban

6.1 Pertanyaan 1

1. Brand mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?

kita akan mengelompokkan brand mobil terhadap konsumsi bahan bakar

ranking_brand <- aggregate(Fuel_consumption_city_l_per_100km ~ Make, 
                           car_compsution,
                           FUN = mean
                           )

ranking_brand <- ranking_brand[order(ranking_brand$Fuel_consumption_city_l_per_100km), ]

barplot(height = ranking_brand[1:5,]$Fuel_consumption_city_l_per_100km, 
        horiz = T, names.arg = ranking_brand[1:5, ]$Make, las=2)

insight : …

terdapat 5 brand mobil (Hyundai, Kia, Honda, Mitsubishi, Toyota) dengan produk konsumsi bahan bakar yang lebih rendah terhadap brand lain,
Hyundai menjadi brand mobil yang paling hemat

6.2 Pertanyaan 2

2. Mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?

ranking_car <- aggregate(Fuel_consumption_city_l_per_100km ~ Product_name, 
                           car_compsution,
                           FUN = mean
                           )

ranking_car <- ranking_car[order(ranking_car$Fuel_consumption_city_l_per_100km), ]

barplot(height = ranking_car[1:5,]$Fuel_consumption_city_l_per_100km, 
        horiz = F, las=2, legend = ranking_car[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))

insight : …

terdapat 5 mobil (Hyundai IONIQ Blue, Hyundai IONIQ, Kia Niro, Kia Niro FE, Toyota Corolla Hybrid) dengan produk konsumsi bahan bakar yang lebih rendah terhadap brand lain,
Hyundai IONIQ Blue yang paling hemat

6.3 Pertanyaan 3

3. Brand mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

ranking_car_emisi <- aggregate(CO2.Rating ~ Make, 
                           car_compsution,
                           FUN = mean
                           )

ranking_car_emisi <- ranking_car_emisi[order(ranking_car_emisi$CO2.Rating), ]


barplot(height = ranking_car_emisi[1:5,]$CO2.Rating, 
        horiz = F, las=2, legend = ranking_car_emisi[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))

brand brand tersebut jarang dimiliki, kita akan membuat batasan pada data ini yaitu sebesar 50 frequency, kemudian kita akan hitung CO2 Rate yang terbaik

ranking_car_emisi_total <- xtabs(~Make, car_compsution)

ranking_car_emisi_total <- as.data.frame(ranking_car_emisi_total)
ranking_car_emisi_total <- ranking_car_emisi_total[order(ranking_car_emisi_total$Freq), ]

ranking_car_emisi_total <- ranking_car_emisi_total[ranking_car_emisi_total$Freq > 50, ]

car_compsution_filter <- car_compsution[car_compsution$Make %in% ranking_car_emisi_total[,1],]


ranking_car_emisi_filter <- aggregate(CO2.Rating ~ Make, 
                           car_compsution_filter,
                           FUN = mean
                           )

ranking_car_emisi_filter <- ranking_car_emisi_filter[order(ranking_car_emisi_filter$CO2.Rating), ]

barplot(height = ranking_car_emisi_filter[1:5,]$CO2.Rating, 
        horiz = F, las=2, legend = ranking_car_emisi_filter[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))

ranking_car_smog_filter <- aggregate(Smog.Rating ~ Make, 
                           car_compsution_filter,
                           FUN = mean
                           )

ranking_car_smog_filter <- ranking_car_smog_filter[order(ranking_car_smog_filter$Smog.Rating), ]

barplot(height = ranking_car_smog_filter[1:5,]$Smog.Rating, 
        horiz = F, las=2, legend = ranking_car_smog_filter[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))

insight : …

terdapat 5 mobil (Bugatti, Lamborghini, Rolls-Royce, Bentley, Dodge) dengan C02 rating yang lebih rendah terhadap brand lain, dapat kita lihat brand ini adalah brand yang jarang dimiliki
jika difilter mobil yang frequensi di atas >50 pada data ini dapat kita simpulkan GMC menjadi merek yang lebih baik terhadap C02 rating
jika difilter mobil yang frequensi di atas >50 pada data ini dapat kita simpulkan Porcshe menjadi merek yang lebih baik terhadap Smog rating

6.4 Pertanyaan 4

4. Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

ranking_car_name_emision_filter <- aggregate(CO2.Rating ~ Product_name, 
                           car_compsution_filter,
                           FUN = mean
                           )

ranking_car_name_emision_filter <- ranking_car_name_emision_filter[order(ranking_car_name_emision_filter$CO2.Rating), ]

ranking_car_name_emision_filter

barplot(height = ranking_car_name_emision_filter[1:5,]$CO2.Rating, 
        horiz = F, las=2, legend = ranking_car_name_emision_filter[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))

ranking_car_name_smog_filter <- aggregate(Smog.Rating ~ Product_name, 
                           car_compsution_filter,
                           FUN = mean
                           )

ranking_car_name_smog_filter <- ranking_car_name_smog_filter[order(ranking_car_name_smog_filter$Smog.Rating), ]

ranking_car_name_smog_filter

barplot(height = ranking_car_name_smog_filter[1:5,]$Smog.Rating, 
        horiz = F, las=2, legend = ranking_car_name_smog_filter[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))

insight : …

dapat dilihat mobil dengan CO2 rating terendah pada tabel 1 dan barplot
dapat dilihat mobil dengan Smog rating terendah pada tabel 2 dan barplot
terdapat rata rata rating yang sama terhadap mobil

6.5 Pertanyaan 5

5. Tipe Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?

ranking_car_class_emission <- aggregate(CO2.Rating ~ Class, 
                           car_compsution,
                           FUN = mean
                           )

ranking_car_class_emission <- ranking_car_class_emission[order(ranking_car_class_emission$CO2.Rating),]

barplot(height = ranking_car_class_emission[1:5,]$CO2.Rating, 
        horiz = F, las=2, legend = ranking_car_class_emission[1:5,]$Class, col = c("blue", "red", "green", "yellow", "black"))

ranking_car_class_smog <- aggregate(Smog.Rating ~ Class, 
                           car_compsution,
                           FUN = mean
                           )

ranking_car_class_smog <- ranking_car_class_smog[order(ranking_car_class_smog$Smog.Rating), ]

barplot(height = ranking_car_class_smog[1:5,]$Smog.Rating, 
        horiz = F, las=2, legend = ranking_car_class_smog[1:5,]$Class, col = c("blue", "red", "green", "yellow", "black"))

6.6 Pertanyaan 6

6. Apakah Ada pengaruh Kapasitas mesin terhadap emisi?

plot(car_compsution$Engine_in_litres, 
     y = car_compsution$CO2_emission_in_g_per_km,
      xlab = "Kapasitas Mesin",
      ylab = "CO2 Emisi per KM",
      main = "Relasi Konsumsi bahan bakar VS CO2 Emisi"
     )

cor(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)

#> [1] 0.8241876

cor.test(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)

#> 
#>  Pearson's product-moment correlation
#> 
#> data:  car_compsution$Engine_in_litres and car_compsution$CO2_emission_in_g_per_km
#> t = 44.715, df = 944, p-value < 0.00000000000000022
#> alternative hypothesis: true correlation is not equal to 0
#> 95 percent confidence interval:
#>  0.8026122 0.8436092
#> sample estimates:
#>       cor 
#> 0.8241876

cov(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)

#> [1] 73.02085

insight : …

kapasitas mesin dan co2 emisi berelasi kuat
semakin besar kapasitas mesin, semakin besar juga co2 emisi

6.7 Pertanyaan 7

7. Manakah Tipe bahan bakar yang mempunyai emisi lebih baik?

ranking_fuel_type <- aggregate(CO2_emission_in_g_per_km ~ Fuel_type, car_compsution, FUN = sum)

ranking_fuel_type <- ranking_fuel_type[order(ranking_fuel_type$CO2_emission_in_g_per_km, decreasing = F), ]

barplot(height = ranking_fuel_type$CO2_emission_in_g_per_km, horiz = T, 
        names.arg = ranking_fuel_type$Fuel_type)

insight : …

Etanol mempunyai kecenderungan emisi yang lebih sedikit dari bahan bakar lain

6.8 Pertanyaan 8

8. Apakah ada pengaruh konsumsi bahan bakar terhadap emisi?

plot(car_compsution$Fuel_consumption_city_l_per_100km, 
     y = car_compsution$CO2_emission_in_g_per_km,
      xlab = "Konsumsi Bahan bakar per 100 KM",
      ylab = "CO2 Emisi per KM",
      main = "Relasi Konsumsi bahan bakar VS CO2 Emisi"
     )

cor(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)

#> [1] 0.9656322

cor.test(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)

#> 
#>  Pearson's product-moment correlation
#> 
#> data:  car_compsution$Fuel_consumption_city_l_per_100km and car_compsution$CO2_emission_in_g_per_km
#> t = 114.15, df = 944, p-value < 0.00000000000000022
#> alternative hypothesis: true correlation is not equal to 0
#> 95 percent confidence interval:
#>  0.9610440 0.9696884
#> sample estimates:
#>       cor 
#> 0.9656322

cov(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)

#> [1] 214.8151

insight : …

Konsumsi bahan bakar dan co2 emisi berelasi kuat
semakin besar konsumsi bahan bakar, semakin besar co2 emisi

A work by Ricky Ariansyah

rickyarians@outlook.com

linkedin

Practical Statistic - Car Emission in Canada 2022

Ricky Ariansyah

06 March, 2023

1 Pengenalan

1.1 Sejarah Mobil

1.2 Emisi Mobil

2 Load Data

2.1 Membaca Dataset

2.2 Kamus Data

2.3 Bentuk Data

2.4 Nama Kolom

2.5 Struktur Data

2.6 Ringkasan Data

3 Data Wrangling

3.1 Data Preparation

3.2 Cek NA / Missing Value

3.3 Cek Duplikat Data

3.4 Pergantian Data Tipe

4 Business Question

5 Exploratory Data Analysis

5.1 5 Number Summary

5.2 Karakteristik C02 Rating

5.3 Karakteristik Smog Rating

5.4 Karakteristik CO2 Emisi Per KM

5.5 Korelasi data

6 Analisa Jawaban

6.1 Pertanyaan 1

6.2 Pertanyaan 2

6.3 Pertanyaan 3

6.4 Pertanyaan 4

6.5 Pertanyaan 5

6.6 Pertanyaan 6

6.7 Pertanyaan 7

6.8 Pertanyaan 8