Email         : naufal.fadhlullah@student.matanauniversity.ac.id
Instagram     : https://www.instagram.com/naaufald
RPubs       : https://rpubs.com/naaufaldd/
Address : ARA Center, Matana University Tower
   Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

1 kasus 1

berikut merupakan data yang berisikan tentang rata-rata waktu studi per hati antara fakultas STM dan fakultas Bisnis

fakultas<- c("FSTM", "BISNIS")
ratarata_FSTM<- c(7, 8, 6, 7, 9, 8, 8, 7, 6, 9, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8,
9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8,
7, 6, 9, 8, 7, 8, 7)
ratarata_bisnis<-c(6, 7, 7, 6, 8, 9, 6, 8, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7,
8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6,
8, 7, 6, 7, 8)

panjang_maksimum <- max(length(ratarata_FSTM), length(ratarata_bisnis))

ratarata_FSTM <- ratarata_FSTM[1:panjang_maksimum]
print(is.na(ratarata_FSTM))

##  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [61] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [73] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

ratarata_bisnis <- ratarata_bisnis[1:panjang_maksimum]
print(which(is.na(ratarata_bisnis)))

## [1] 92 93

median_bisnis <- median(ratarata_bisnis, na.rm = TRUE)
median_bisnis

## [1] 7

# Ganti nilai NA dengan nilai rata-rata
ratarata_bisnis[is.na(ratarata_bisnis)] <- median_bisnis

#membuat data frame
data <- data.frame(
  FSTM = ratarata_FSTM,
  Bisnis = ratarata_bisnis
)
data

##    FSTM Bisnis
## 1     7      6
## 2     8      7
## 3     6      7
## 4     7      6
## 5     9      8
## 6     8      9
## 7     8      6
## 8     7      8
## 9     6      7
## 10    9      8
## 11    7      7
## 12    8      6
## 13    7      8
## 14    9      7
## 15    8      8
## 16    7      9
## 17    8      7
## 18    7      6
## 19    9      8
## 20    8      7
## 21    6      6
## 22    7      7
## 23    8      8
## 24    9      6
## 25    7      9
## 26    8      7
## 27    7      8
## 28    6      7
## 29    9      6
## 30    8      8
## 31    7      7
## 32    8      8
## 33    7      9
## 34    9      7
## 35    8      6
## 36    7      8
## 37    8      7
## 38    7      6
## 39    9      7
## 40    8      8
## 41    6      6
## 42    7      9
## 43    8      7
## 44    9      8
## 45    7      7
## 46    8      6
## 47    7      8
## 48    6      7
## 49    9      8
## 50    8      9
## 51    7      7
## 52    8      6
## 53    7      8
## 54    9      7
## 55    8      6
## 56    7      7
## 57    8      8
## 58    7      6
## 59    9      9
## 60    8      7
## 61    6      8
## 62    7      7
## 63    8      6
## 64    9      8
## 65    7      7
## 66    8      8
## 67    7      9
## 68    6      7
## 69    9      6
## 70    8      8
## 71    7      7
## 72    8      6
## 73    7      7
## 74    9      8
## 75    8      6
## 76    7      9
## 77    8      7
## 78    7      8
## 79    9      7
## 80    8      6
## 81    6      8
## 82    7      7
## 83    8      8
## 84    9      9
## 85    7      7
## 86    8      6
## 87    7      8
## 88    6      7
## 89    9      6
## 90    8      7
## 91    7      8
## 92    8      7
## 93    7      7

1.1 membuat boxplot

library(ggplot2)

boxplot(ratarata_FSTM, ratarata_bisnis,
        main = "Rata-rata FSTM dan Bisnis",
        ylab = "Rata-rata",
        col = c("red", "pink"),
        border = c("black", "black"),
        names = c("FSTM", "Bisnis"))

1.2 melakukan pengujian asumsi

hal ini dilakukan dengan menguji apakah data berdistribusi normal dan memiliki varians yang homogen menggunakan uji Kolmogorov-smirnov dan uji homogenitas varians seperti uji Levene.

1.2.1 uji normalitas Kolmogorov-Smirnov

library(car)
# Uji normalitas untuk kelompok FSTM
ks_test_FSTM <- ks.test(ratarata_FSTM, "pnorm", mean(ratarata_FSTM), sd(ratarata_FSTM))
print(ks_test_FSTM)

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  ratarata_FSTM
## D = 0.2135, p-value = 0.0004159
## alternative hypothesis: two-sided

1.2.2 uji normalitas kelompok bisnis

library(car)
ks_test_bisnis <- ks.test(ratarata_bisnis, "pnorm", mean(ratarata_bisnis), sd(ratarata_bisnis))
print(ks_test_bisnis)

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  ratarata_bisnis
## D = 0.21404, p-value = 0.0003983
## alternative hypothesis: two-sided

1.2.3 uji homogenitas varians Levene

library(car)

# Gabungkan data ke dalam satu data frame
data <- data.frame(
  Kelompok = rep(c("FSTM", "BISNIS"), each = length(ratarata_FSTM)),
  Nilai = c(ratarata_FSTM, ratarata_bisnis)
)

# Lakukan uji Levene untuk homogenitas varians
leveneTest(Nilai ~ Kelompok, data = data)

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1   0.053 0.8181
##       184

1.3 penetapan signifikansi

penentuan penetapan signifikansi mengacu pada data dimana apabila data merupakan data sosial, mak signifikansi sebesar 0,05 dan apabila data yang menyangkut nyawa, signifikansi 0,01

alpha <- 0.05
# Output tingkat signifikansi
print(paste("Tingkat signifikansi (α) yang ditetapkan adalah:", alpha))

## [1] "Tingkat signifikansi (α) yang ditetapkan adalah: 0.05"

1.4 perhitungan uji-t

ratarata_FSTM <- c(7, 8, 6, 7, 9, 8, 8, 7, 6, 9, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8,
9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8, 7, 6, 9, 8, 7, 8, 7, 9, 8, 7, 8, 7, 9, 8, 6, 7, 8, 9, 7, 8,
7, 6, 9, 8, 7, 8, 7)
ratarata_bisnis <- c(6, 7, 7, 6, 8, 9, 6, 8, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7,
8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6, 8, 7, 6, 7, 8, 6, 9, 7, 8, 7, 6, 8, 7, 8, 9, 7, 6,
8, 7, 6, 7, 8)

# Menghitung rata-rata, simpangan baku, dan ukuran sampel
mean_FSTM <- mean(ratarata_FSTM)
mean_bisnis <- mean(ratarata_bisnis)
sd_FSTM <- sd(ratarata_FSTM)
sd_bisnis <- sd(ratarata_bisnis)
n_FSTM <- length(ratarata_FSTM)
n_bisnis <- length(ratarata_bisnis)

# Menghitung nilai t
t_value <- (mean_FSTM - mean_bisnis) / sqrt((sd_FSTM^2 / n_FSTM) + (sd_bisnis^2 / n_bisnis))
t_value

## [1] 2.523148

# Menghitung derajat kebebasan
df <- n_FSTM + n_bisnis - 2
df

## [1] 182

# Output hasil
cat("Nilai t:", t_value, "\n")

## Nilai t: 2.523148

cat("Derajat kebebasan:", df, "\n")

## Derajat kebebasan: 182

1.5 penolakan atau penerimaan H0

setelah mengetahui nilai t, maka kita harus mengetahui apakah nilai t tersebut menolak atau menerima H0

alpha <- 0.05

# Hitung nilai p
p_value <- 2 * pt(abs(t_value), df)
p_value

## [1] 1.987513

# Output hasil
cat("Nilai p:", p_value, "\n")

## Nilai p: 1.987513

# Tentukan apakah H0 ditolak atau diterima
if (p_value < alpha) {
  cat("Nilai t yang diamati signifikan pada tingkat signifikansi yang ditetapkan (α). H0 ditolak.\n")
} else {
  cat("Tidak cukup bukti untuk menolak H0 pada tingkat signifikansi yang ditetapkan (α). H0 diterima.\n")
}

## Tidak cukup bukti untuk menolak H0 pada tingkat signifikansi yang ditetapkan (α). H0 diterima.

1.6 Interpretasi hasil

berikut meripukan interpretasi atas hasil yang telah diujikan

if (p_value < alpha) {
  cat("Nilai t yang diamati signifikan pada tingkat signifikansi yang ditetapkan (α). H0 ditolak.\n")
  cat("Ini berarti ada bukti statistik yang cukup untuk menyatakan bahwa ada perbedaan yang signifikan dalam rata-rata waktu studi antara mahasiswa sarjana Fakultas Sains dan Teknologi MIPA (FSTM) dan Fakultas Bisnis.\n")
} else {
  cat("Tidak cukup bukti untuk menolak H0 pada tingkat signifikansi yang ditetapkan (α). sebab H0 diterima.\n")
}

## Tidak cukup bukti untuk menolak H0 pada tingkat signifikansi yang ditetapkan (α). sebab H0 diterima.

2 Kasus 2

Studi Kasus ini bertujuan untuk mengidentifikasi pengaruh dari tiga metode promosi yang berbeda (Iklan Televisi, Media Sosial, dan Iklan Cetak) terhadap penjualan produk suatu perusahaan. Diberikan Data Penjualan Produk (dalam ribuan unit). berikut datanya:

televisi<- c(20, 25, 22, 18, 23, 21, 24, 19, 26, 20,22, 23, 21, 19, 25, 24, 18, 20, 22, 21,19, 24, 23, 20, 22, 18, 21, 25, 19, 24,23, 20, 22, 18, 24, 21, 19, 25, 23, 20)
medsos<- c(15, 18, 17, 16, 19, 20, 21, 18, 16, 22,17, 20, 18, 19, 15, 16, 21, 17, 20, 18,19, 15, 16, 21, 17, 20, 18, 19, 15, 16,21, 17, 20, 18, 19, 15, 16, 21, 17, 20)
cetak<- c(12, 14, 13, 15, 12, 14, 16, 13, 15, 14,13, 15, 14, 12, 14, 16, 13, 15, 14, 13,15, 14, 12, 14, 16,
13, 15, 14, 12, 14,16, 13, 15, 14, 13, 15, 14, 12, 14, 16)

# Menggabungkan vektor penjualan ke dalam sebuah data frame
data_penjualan <- data.frame(
  televisi = televisi,
  medsos = medsos,
  cetak = cetak
)
data_penjualan

##    televisi medsos cetak
## 1        20     15    12
## 2        25     18    14
## 3        22     17    13
## 4        18     16    15
## 5        23     19    12
## 6        21     20    14
## 7        24     21    16
## 8        19     18    13
## 9        26     16    15
## 10       20     22    14
## 11       22     17    13
## 12       23     20    15
## 13       21     18    14
## 14       19     19    12
## 15       25     15    14
## 16       24     16    16
## 17       18     21    13
## 18       20     17    15
## 19       22     20    14
## 20       21     18    13
## 21       19     19    15
## 22       24     15    14
## 23       23     16    12
## 24       20     21    14
## 25       22     17    16
## 26       18     20    13
## 27       21     18    15
## 28       25     19    14
## 29       19     15    12
## 30       24     16    14
## 31       23     21    16
## 32       20     17    13
## 33       22     20    15
## 34       18     18    14
## 35       24     19    13
## 36       21     15    15
## 37       19     16    14
## 38       25     21    12
## 39       23     17    14
## 40       20     20    16

2.1 membuat boxplot

berikut akan ditampilkan membuat boxplot dari ketiga data

# Menggabungkan data penjualan ke dalam satu data frame
data_penjualan <- data.frame(
  Televisi = televisi,
  Medsos = medsos,
  Cetak = cetak
)

# Membuat boxplot untuk ketiga metode promosi
boxplot(data_penjualan,
        main="Penjualan Produk Berdasarkan Metode Promosi",
        ylab="Penjualan",
        col=c("lightblue", "lightgreen", "lightcoral"),
        border=c("blue", "darkgreen", "red"))

## uji normalitas dalam hal ini, dilakukan uji normalitas apakah masing-masing data memiliki data yang normal atau tidak.

2.1.1 uji kosmogorov test

menggunakan uji kolmogorov

library(car)
televisi<- c(20, 25, 22, 18, 23, 21, 24, 19, 26, 20,22, 23, 21, 19, 25, 24, 18, 20, 22, 21,19, 24, 23, 20, 22, 18, 21, 25, 19, 24,23, 20, 22, 18, 24, 21, 19, 25, 23, 20)
medsos<- c(15, 18, 17, 16, 19, 20, 21, 18, 16, 22, 17, 20, 18, 19, 15, 16, 21, 17, 20, 18,19, 15, 16, 21, 17, 20, 18, 19, 15, 16,21, 17, 20, 18, 19, 15, 16, 21, 17, 20)
cetak<- c(12, 14, 13, 15, 12, 14, 16, 13, 15, 14,13, 15, 14, 12, 14, 16, 13, 15, 14, 13,15, 14, 12, 14, 16, 13, 15, 14, 12, 14,16, 13, 15, 14, 13, 15, 14, 12, 14, 16)


televisi1<- ks.test(televisi, "pnorm")
medsos2<- ks.test(medsos, "pnorm")
cetak3<- ks.test(cetak,"pnorm")

televisi1

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  televisi
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

medsos2

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  medsos
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

cetak3

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  cetak
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

2.1.2 uji homogenitas

library(car)

televisi<- c(20, 25, 22, 18, 23, 21, 24, 19, 26, 20,22, 23, 21, 19, 25, 24, 18, 20, 22, 21,19, 24, 23, 20, 22, 18, 21, 25, 19, 24,23, 20, 22, 18, 24, 21, 19, 25, 23, 20)
medsos<- c(15, 18, 17, 16, 19, 20, 21, 18, 16, 22, 17, 20, 18, 19, 15, 16, 21, 17, 20, 18,19, 15, 16, 21, 17, 20, 18, 19, 15, 16,21, 17, 20, 18, 19, 15, 16, 21, 17, 20)
cetak<- c(12, 14, 13, 15, 12, 14, 16, 13, 15, 14,13, 15, 14, 12, 14, 16, 13, 15, 14, 13,15, 14, 12, 14, 16, 13, 15, 14, 12, 14,16, 13, 15, 14, 13, 15, 14, 12, 14, 16)

data_hasil <- data.frame(
  Kelompok = rep(c("televisi", "medsos", "cetak"), each = length(televisi)),
  nilai = c(televisi, medsos, cetak)
)

# Perform Levene's test for homogeneity of variances
leveneTest(nilai ~ Kelompok, data = data_hasil)

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   2   10.97 4.299e-05 ***
##       117                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

2.1.3 Penetapan signifikansi

alpha <- 0.05
# Output tingkat signifikansi
print(paste("Tingkat signifikansi (α) yang ditetapkan adalah:", alpha))

## [1] "Tingkat signifikansi (α) yang ditetapkan adalah: 0.05"

2.1.4 analisis anova

televisi<- c(20, 25, 22, 18, 23, 21, 24, 19, 26, 20,22, 23, 21, 19, 25, 24, 18, 20, 22, 21,19, 24, 23, 20, 22, 18, 21, 25, 19, 24,23, 20, 22, 18, 24, 21, 19, 25, 23, 20)
medsos<- c(15, 18, 17, 16, 19, 20, 21, 18, 16, 22, 17, 20, 18, 19, 15, 16, 21, 17, 20, 18,19, 15, 16, 21, 17, 20, 18, 19, 15, 16,21, 17, 20, 18, 19, 15, 16, 21, 17, 20)
cetak<- c(12, 14, 13, 15, 12, 14, 16, 13, 15, 14,13, 15, 14, 12, 14, 16, 13, 15, 14, 13,15, 14, 12, 14, 16, 13, 15, 14, 12, 14,16, 13, 15, 14, 13, 15, 14, 12, 14, 16)

data_hasil2 <- data.frame(
  Metode_Promosi = factor(rep(c("Televisi", "Medsos", "Cetak"), each = length(televisi))),
  Penjualan = c(televisi, medsos, cetak)
)

# Perform one-way ANOVA
anova_result <- aov(Penjualan ~ Metode_Promosi, data = data_hasil2)

# Summary of ANOVA
summary(anova_result)

##                 Df Sum Sq Mean Sq F value Pr(>F)    
## Metode_Promosi   2 1165.4   582.7   157.7 <2e-16 ***
## Residuals      117  432.5     3.7                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

2.1.5 interpretas hasil

p_value <- summary(anova_result)[[1]]$'Pr(>F)'[1]
alpha <- 0.05

if (p_value < alpha) {
  cat("menolak hipotesis nol dan menyimpulkan bahwa terdapat perbedaan yang signifikan dalam penjualan produk antara metode promosi.")
} else {
  cat("Tidak cukup bukti untuk menolak hipotesis nol. Tidak terdapat perbedaan yang signifikan dalam penjualan produk antara metode promosi.")
}

## menolak hipotesis nol dan menyimpulkan bahwa terdapat perbedaan yang signifikan dalam penjualan produk antara metode promosi.

3 kasus 3

diberikan data kepuasan pelanggan di industri hotel sebagai berikut dan lakukan analisis dengan menggunakan R.

3.1 pengumpulan data

library(readr)
library(dplyr)

hotel<- read.csv("D:/Matana/Semester 2/Pengantar Data Sains/datanya_hotel.csv")
hotel

##    no Kualitas_Layanan Kualitas_Kamar Ketersediaan_Fasilitas
## 1   1                9              8                      7
## 2   2                8              7                      8
## 3   3                7              8                      7
## 4   4                8              9                      7
## 5   5                9              7                      8
## 6   6                7              8                      9
## 7   7                8              7                      8
## 8   8                9              8                      7
## 9   9                8              7                      8
## 10 10                7              8                      9
## 11 11                9              8                      7
## 12 12                8              9                      8
## 13 13                7              8                      7
## 14 14                8              7                      9
## 15 15                9              8                      8
## 16 16                8              7                      7
## 17 17                7              8                      8
## 18 18                8              7                      7
## 19 19                9              8                      8
## 20 20                7              7                      7
##    Responsibilitas_Staf Harga Kepuasan_Pelanggan
## 1                     8     7                  8
## 2                     7     6                  7
## 3                     9     8                  7
## 4                     8     6                  8
## 5                     7     7                  8
## 6                     6     6                  7
## 7                     7     7                  8
## 8                     8     8                  9
## 9                     9     7                  8
## 10                    8     6                  7
## 11                    7     8                  8
## 12                    7     7                  8
## 13                    8     6                  7
## 14                    7     7                  8
## 15                    6     8                  9
## 16                    9     7                  8
## 17                    7     6                  7
## 18                    8     7                  8
## 19                    7     8                  9
## 20                    9     6                  8

3.2 Visualisasi korelasi dan interpretasinya

melakukan visualisasi dari data yang telah disediakan.

library(reshape2)
library(ggplot2)
conv <- apply(hotel, 2, function(hotel) as.numeric(as.character(hotel)))
correlation_matrix <- cor(conv)
ggplot(data = melt(correlation_matrix), aes(x = Var1, y = Var2, fill = value))+
  geom_tile()+
  scale_fill_gradient(low = "black", high = "pink") +
  labs(title = "Correlation Matrix Heatmap")

## melakukan perhitungan

melakukan Perhitungan Korelasi: Menggunakan metode korelasi seperti Pearson, Spearman, atau Kendall untuk mengukur hubungan antara kualitas layanan dan kepuasan pelanggan.

library(readr)
library(nortest)
data1 = read.csv("D:/Matana/Semester 2/Pengantar Data Sains/datanya_hotel.csv")
View(data1)

#uji normalitas
shapiro.test(data1$Kualitas_Layanan)

## 
##  Shapiro-Wilk normality test
## 
## data:  data1$Kualitas_Layanan
## W = 0.81255, p-value = 0.001337

shapiro.test((data1$Kepuasan_Pelanggan)) #dari hasil perhitungan, dapat disimpulkan bahwa data ini tidak terdistribusi normal karena p-value< alpha

## 
##  Shapiro-Wilk normality test
## 
## data:  (data1$Kepuasan_Pelanggan)
## W = 0.798, p-value = 0.0008068

#karena tidak terdistribusi normal, maka menggunakan uji spearman
uji<- cor.test(x=data1$Kualitas_Layanan, y=data1$Kepuasan_Pelanggan, method = 'spearman')
uji

## 
##  Spearman's rank correlation rho
## 
## data:  data1$Kualitas_Layanan and data1$Kepuasan_Pelanggan
## S = 276.45, p-value = 3.145e-05
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.7921426

3.3 Interpretasi hasil

if (uji$p.value < 0.05) {
  print("Nilai p-nilai < 0.05, maka ada korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan.")
} else {
  print("Nilai p-nilai > 0.05, maka tidak cukup bukti untuk menyatakan adanya korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan.")
}

## [1] "Nilai p-nilai < 0.05, maka ada korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan."

3.4 penetapan signifikansi

uji<- cor.test(x=data1$Kualitas_Layanan, y=data1$Kepuasan_Pelanggan, method = 'spearman')
uji

## 
##  Spearman's rank correlation rho
## 
## data:  data1$Kualitas_Layanan and data1$Kepuasan_Pelanggan
## S = 276.45, p-value = 3.145e-05
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.7921426

alpha <- 0.05

if (uji$p.value < alpha) {
  print(paste("Nilai p-nilai <", alpha, ", maka ada korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan."))
} else {
  print(paste("Nilai p-nilai >", alpha, ", maka tidak cukup bukti untuk menyatakan adanya korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan."))
}

## [1] "Nilai p-nilai < 0.05 , maka ada korelasi yang signifikan antara kualitas layanan dan kepuasan pelanggan."

Pengantar Data Sains

Tugas Pengantar Data Sains

Naufal Fadhlullah

April 02, 2024