KB 3 Stevandean

MODUL 8 ANALISIS VARIANS

# Create a categorical variable from speed
cars$speed_cat <- cut(cars$speed, breaks = 3, labels = c("Lambat", "Sedang", "Cepat"))

# One-way ANOVA
anova_result <- aov(dist ~ speed_cat, data = cars)
summary(anova_result)

            Df Sum Sq Mean Sq F value   Pr(>F)    
speed_cat    2  15120    7560    20.4 4.19e-07 ***
Residuals   47  17419     371                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Penjelasan:

ANOVA satu arah menguji apakah ada perbedaan signifikan dalam jarak (dist) antara kelompok kecepatan yang berbeda (Lambat, Sedang, Cepat). Hasil summary ANOVA memberikan nilai F dan nilai p untuk menentukan apakah perbedaan tersebut signifikan.

Hasil:

Nilai F: anova_result [[1]] [“speed_cat”, “F value”]

Nilai p: anova_result [[1]] [“speed_cat”, “Pr(>F)”]

Jika nilai p < 0.05, ada perbedaan signifikan dalam jarak antara kelompok kecepatan.

MODUL 9 REGRESI

lm_model <- lm(dist ~ speed, data = cars)
summary(lm_model)

Call:
lm(formula = dist ~ speed, data = cars)

Residuals:
    Min      1Q  Median      3Q     Max 
-29.069  -9.525  -2.272   9.215  43.201 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -17.5791     6.7584  -2.601   0.0123 *  
speed         3.9324     0.4155   9.464 1.49e-12 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 15.38 on 48 degrees of freedom
Multiple R-squared:  0.6511,    Adjusted R-squared:  0.6438 
F-statistic: 89.57 on 1 and 48 DF,  p-value: 1.49e-12

Penjelasan:

Model regresi linear memprediksi jarak (dist) berdasarkan kecepatan (speed). Summary model memberikan koefisien, nilai p, dan R-squared, yang menunjukkan seberapa baik model menjelaskan variasi dalam data. Grafik menunjukkan garis regresi pada data scatter plot.

Hasil:

• Koefisien intercept: coef(lm_model)[1]
• Koefisien slope: coef(lm_model)[2]
• Nilai p untuk intercept: summary(lm_model)coefficients[1, 4]
• Nilai p untuk slope: summary(lm_model)coefficients[2, 4]
• R-squared: summary(lm_model)$r.squared
• R-squared menunjukkan proporsi variasi dalam jarak yang dapat dijelaskan oleh kecepatan.

MODUL 10 PERAMALAN

# Simple linear regression model for forecasting
forecast_model <- lm(dist ~ speed, data = cars)

# Predict future values
new_speeds <- data.frame(speed = c(10, 15, 20, 25, 30))
predicted_dist <- predict(forecast_model, new_speeds)

predicted_dist

        1         2         3         4         5 
 21.74499  41.40704  61.06908  80.73112 100.39317 

Penjelasan:

Model regresi linear sederhana digunakan untuk meramalkan jarak (dist) berdasarkan kecepatan (speed) baru yang diberikan. Hasil prediksi memberikan jarak yang diperkirakan untuk kecepatan yang berbeda.

Hasil:

• Prediksi jarak untuk kecepatan 10: predicted_dist[1]
• Prediksi jarak untuk kecepatan 15: predicted_dist[2]
• Prediksi jarak untuk kecepatan 20: predicted_dist[3]
• Prediksi jarak untuk kecepatan 25: predicted_dist[4]
• Prediksi jarak untuk kecepatan 30: predicted_dist[5]
• Hasil ini menunjukkan jarak yang diperkirakan berdasarkan model regresi untuk kecepatan tertentu.