Library:

> install.packages("knitr")
> install.packages("rmarkdown")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror

> install.packages("prettydoc")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror

> install.packages("equatiomatic")
Error in contrib.url(repos, "source"): trying to use CRAN without setting a mirror

1 PENDAHULUAN

1.1 Latar Belakang

Dalam era digital saat ini, kemampuan untuk menganalisis dan menginterpretasikan data dengan cepat dan akurat menjadi sangat krusial. Komputasi statistika memungkinkan kita untuk menangani volume data yang besar, melakukan analisis yang kompleks, dan menghasilkan visualisasi data yang informatif. Praktikum ini dirancang untuk memberikan pengalaman langsung dalam menggunakan alat-alat komputasi statistik, seperti R atau Python, yang mendukung proses analisis data. Mahasiswa akan belajar bagaimana menerapkan metode statistik yang tepat untuk berbagai jenis data dan bagaimana mengkomunikasikan temuan mereka secara efektif. Melalui praktikum ini, diharapkan mahasiswa dapat mengembangkan pemahaman yang lebih dalam tentang konsep statistik dan meningkatkan keterampilan analitis mereka, yang akan berguna dalam studi lanjutan atau di dunia kerja yang semakin bergantung pada data.

2 TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif memegang peranan penting dalam mata kuliah komputasi statistika, yang merupakan cabang ilmu yang mengintegrasikan teknik-teknik statistika dengan penggunaan komputer. Dalam konteks ini, statistika deskriptif berfungsi untuk menyajikan data secara ringkas dan informatif, memberikan gambaran umum tentang data yang telah dikumpulkan. Hal ini mencakup berbagai metode seperti tabel distribusi frekuensi, diagram batang, histogram, dan ukuran tendensi sentral seperti mean, median, dan modus.

Selain itu, statistika deskriptif juga melibatkan penggunaan ukuran dispersi seperti rentang, varians, dan deviasi standar untuk menggambarkan sebaran data. Dalam komputasi statistika, pemahaman yang kuat tentang konsep-konsep ini sangatlah krusial karena membantu dalam pengolahan dan analisis data yang lebih kompleks menggunakan perangkat lunak statistik. Mahasiswa diajarkan untuk mengimplementasikan algoritma-algoritma statistika deskriptif ini dalam bahasa pemrograman seperti R atau Python, yang memungkinkan mereka untuk mengotomatisasi proses analisis dan meningkatkan efisiensi kerja.

Dengan demikian, statistika deskriptif tidak hanya memberikan dasar yang kokoh untuk analisis statistika lebih lanjut tetapi juga memperkaya kemampuan komputasi statistik mahasiswa.

2.2 Pengendalian Mutu

Statistika pengendalian mutu merupakan aspek penting dalam komputasi statistika, terutama dalam memastikan konsistensi dan keandalan produk atau layanan.

Konsep dasar statistika pengendalian mutu melibatkan penggunaan grafik kontrol untuk memonitor proses produksi. Grafik ini membantu dalam mengidentifikasi penyimpangan dari standar kualitas yang telah ditetapkan dan memungkinkan intervensi tepat waktu untuk mengoreksi proses sebelum produk cacat dihasilkan.

Analisis kemampuan proses adalah metode lain yang digunakan untuk mengevaluasi performa proses produksi. Ini mengukur seberapa baik proses memenuhi spesifikasi batas toleransi kualitas dan membantu dalam pengambilan keputusan terkait perbaikan proses.

Rencana sampling dan pengujian hipotesis digunakan untuk menentukan jumlah sampel yang harus diambil untuk pengujian kualitas dan untuk membuat kesimpulan statistik mengenai kualitas produk secara keseluruhan. Melalui penerapan ketiga poin ini, komputasi statistika memberikan alat yang kuat untuk pengendalian mutu, yang pada akhirnya meningkatkan kepuasan pelanggan dan efisiensi operasional.

3 SOURCE CODE3.1 Library> library(readr)
> #Library
3.2 Data> data <- read_csv("C:/Users/danie/Downloads/CarPrice_Assignment.csv")
> 
> head(data)
# A tibble: 6 × 26
  car_ID symboling CarName     fueltype aspiration doornumber carbody drivewheel
   <dbl>     <dbl> <chr>       <chr>    <chr>      <chr>      <chr>   <chr>     
1      1         3 alfa-romer… gas      std        two        conver… rwd       
2      2         3 alfa-romer… gas      std        two        conver… rwd       
3      3         1 alfa-romer… gas      std        two        hatchb… rwd       
4      4         2 audi 100 ls gas      std        four       sedan   fwd       
5      5         2 audi 100ls  gas      std        four       sedan   4wd       
6      6         2 audi fox    gas      std        two        sedan   fwd       
# ℹ 18 more variables: enginelocation <chr>, wheelbase <dbl>, carlength <dbl>,
#   carwidth <dbl>, carheight <dbl>, curbweight <dbl>, enginetype <chr>,
#   cylindernumber <chr>, enginesize <dbl>, fuelsystem <chr>, boreratio <dbl>,
#   stroke <dbl>, compressionratio <dbl>, horsepower <dbl>, peakrpm <dbl>,
#   citympg <dbl>, highwaympg <dbl>, price <dbl>
> 
> str(data)
spc_tbl_ [205 × 26] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
 $ car_ID          : num [1:205] 1 2 3 4 5 6 7 8 9 10 ...
 $ symboling       : num [1:205] 3 3 1 2 2 2 1 1 1 0 ...
 $ CarName         : chr [1:205] "alfa-romero giulia" "alfa-romero stelvio" "alfa-romero Quadrifoglio" "audi 100 ls" ...
 $ fueltype        : chr [1:205] "gas" "gas" "gas" "gas" ...
 $ aspiration      : chr [1:205] "std" "std" "std" "std" ...
 $ doornumber      : chr [1:205] "two" "two" "two" "four" ...
 $ carbody         : chr [1:205] "convertible" "convertible" "hatchback" "sedan" ...
 $ drivewheel      : chr [1:205] "rwd" "rwd" "rwd" "fwd" ...
 $ enginelocation  : chr [1:205] "front" "front" "front" "front" ...
 $ wheelbase       : num [1:205] 88.6 88.6 94.5 99.8 99.4 ...
 $ carlength       : num [1:205] 169 169 171 177 177 ...
 $ carwidth        : num [1:205] 64.1 64.1 65.5 66.2 66.4 66.3 71.4 71.4 71.4 67.9 ...
 $ carheight       : num [1:205] 48.8 48.8 52.4 54.3 54.3 53.1 55.7 55.7 55.9 52 ...
 $ curbweight      : num [1:205] 2548 2548 2823 2337 2824 ...
 $ enginetype      : chr [1:205] "dohc" "dohc" "ohcv" "ohc" ...
 $ cylindernumber  : chr [1:205] "four" "four" "six" "four" ...
 $ enginesize      : num [1:205] 130 130 152 109 136 136 136 136 131 131 ...
 $ fuelsystem      : chr [1:205] "mpfi" "mpfi" "mpfi" "mpfi" ...
 $ boreratio       : num [1:205] 3.47 3.47 2.68 3.19 3.19 3.19 3.19 3.19 3.13 3.13 ...
 $ stroke          : num [1:205] 2.68 2.68 3.47 3.4 3.4 3.4 3.4 3.4 3.4 3.4 ...
 $ compressionratio: num [1:205] 9 9 9 10 8 8.5 8.5 8.5 8.3 7 ...
 $ horsepower      : num [1:205] 111 111 154 102 115 110 110 110 140 160 ...
 $ peakrpm         : num [1:205] 5000 5000 5000 5500 5500 5500 5500 5500 5500 5500 ...
 $ citympg         : num [1:205] 21 21 19 24 18 19 19 19 17 16 ...
 $ highwaympg      : num [1:205] 27 27 26 30 22 25 25 25 20 22 ...
 $ price           : num [1:205] 13495 16500 16500 13950 17450 ...
 - attr(*, "spec")=
  .. cols(
  ..   car_ID = col_double(),
  ..   symboling = col_double(),
  ..   CarName = col_character(),
  ..   fueltype = col_character(),
  ..   aspiration = col_character(),
  ..   doornumber = col_character(),
  ..   carbody = col_character(),
  ..   drivewheel = col_character(),
  ..   enginelocation = col_character(),
  ..   wheelbase = col_double(),
  ..   carlength = col_double(),
  ..   carwidth = col_double(),
  ..   carheight = col_double(),
  ..   curbweight = col_double(),
  ..   enginetype = col_character(),
  ..   cylindernumber = col_character(),
  ..   enginesize = col_double(),
  ..   fuelsystem = col_character(),
  ..   boreratio = col_double(),
  ..   stroke = col_double(),
  ..   compressionratio = col_double(),
  ..   horsepower = col_double(),
  ..   peakrpm = col_double(),
  ..   citympg = col_double(),
  ..   highwaympg = col_double(),
  ..   price = col_double()
  .. )
 - attr(*, "problems")=<externalptr> 
> 
> data$CarName <- as.factor(data$CarName)
> data$fueltype <- as.factor(data$fueltype)
> data$aspiration <- as.factor(data$aspiration)
> data$doornumber <- as.factor(data$doornumber)
> data$carbody <- as.factor(data$carbody)
> data$drivewheel <- as.factor(data$drivewheel)
> data$enginelocation <- as.factor(data$enginelocation)
> data$fuelsystem <- as.factor(data$fuelsystem)
3.3 Plot…> ggplot(data = data, aes(x = resid(model))) + 
+   geom_histogram(binwidth = 500, fill = "blue", color = "black") + 
+   labs(title = "Gambar 1. Histogram", x = "Residual", y = "Frekuensi")
Error in ggplot(data = data, aes(x = resid(model))): could not find function "ggplot"
> library(rmarkdown)
> paged_table(as.data.frame(data))

4 HASIL DAN PEMBAHASAN

4.1 Statistika Deskriptif

Berdasarkan Data yang digunakan, diperoleh model regresi linear berganda sebagai berikut: \[ y = \beta 0 + \beta 1 (x1) +\beta2(x2) + e \] Dimana Y = harga mobil, dan variabel yang signifikan adalah x1 = Ukuran Mesin, x2 = Rasio Kompresi, Dengan parameter : \[ \beta0 = 51650 \] \[ \beta 1 = 116.8 \] \[ \beta 2=286.5 \]

artinya setiap kenaikan ukuran mesin satu satuan akan meningkatkan harga mobil sebanyak 116.8 dan kenaikan Rasio kompresi satu satuan akan meningkatkan harga mobil sebanyak 286.5.

Histogram pada Gambar 1 memiliki seperti sebaran normal, yang mana menunjukkan nilai y duga terhadap nilai y asli signifikan dan tidak terlalu banyak galat.

5 KESIMPULAN

Berdasarkan hasil penelitian, didapat bahwa banyak hal yang dapat mempengaruhi harga jual suatu mobil. Namun, Ukuran Mesin dan Ratio Kompresi memberi pengaruh paling signifikan diantara variabel lainnya. # DAFTAR PUSTAKA Eni Sumarminingsih, Achmad Efendi, & Rinaldo, A. (2022). Komputasi Statistika. Universitas Brawijaya Press.