# NO. 1

## Input data Mtcars
data(mtcars)

## a.Hitung statistik deskriptif (mean, median) untuk variabel mpg
summary(mtcars$mpg)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   10.40   15.43   19.20   20.09   22.80   33.90

## standar deviasinya untuk variabel mpg
sd(mtcars$mpg)

## [1] 6.026948

## b.Membuat boxplot variabel Mpg
boxplot(mpg ~ cyl, data = mtcars,
        main = "Boxplot MPG berdasarkan Jumlah Silinder (cyl)",
        xlab = "Jumlah Silinder (cyl)",
        ylab = "Miles per Gallon (mpg)",
        col = c("lightblue", "lightgreen", "yellow"))

# No. 2

## Membuat histogram variabel hp dengan garis densitas 
hist(mtcars$hp, freq = FALSE, main = "Histogram HP dengan Garis Densitas",
     xlab = "Horsepower (hp)", col = c("lightblue", "lightgreen", "yellow"))
lines(density(mtcars$hp), col = "black", lwd = 2)

# No. 3 Lakukan uji ANOVA untuk mengetahui apakah terdapat perbedaan signifikan pada rata-rata panjang sepal (Sepal.Length) antar spesies dalam dataset iris

## dataset iris
data(iris)

## Uji ANOVA
anova_result <- aov(Sepal.Length ~ Species, data = iris)

## Menampilkan hasil
summary(anova_result)

##              Df Sum Sq Mean Sq F value Pr(>F)    
## Species       2  63.21  31.606   119.3 <2e-16 ***
## Residuals   147  38.96   0.265                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

nilai p-value < 0.05, berarti terdapat perbedaan signifikan antar kelompok.

# No. 4 Lakukan uji t-test dua sampel untuk membandingkan panjang petal (Petal.Length) antara spesies setosa dan versicolor

## Subset data
setosa <- subset(iris, Species == "setosa")$Petal.Length
versicolor <- subset(iris, Species == "versicolor")$Petal.Length

## Uji t-test
t_test_result <- t.test(setosa, versicolor)

## Menampilkan hasil
t_test_result

## 
##  Welch Two Sample t-test
## 
## data:  setosa and versicolor
## t = -39.493, df = 62.14, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -2.939618 -2.656382
## sample estimates:
## mean of x mean of y 
##     1.462     4.260

p-value < 0.05, terdapat perbedaan signifikan dalam panjang petal antara spesies setosa dan versicolor.

# No. 5 Bangun model regresi linear sederhana menggunakan dataset mtcars untuk memprediksi mpg berdasarkan wt (berat mobil)

## Model regresi
model <- lm(mpg ~ wt, data = mtcars)

## Ringkasan moddel
summary(model)

## 
## Call:
## lm(formula = mpg ~ wt, data = mtcars)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.5432 -2.3647 -0.1252  1.4096  6.8727 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  37.2851     1.8776  19.858  < 2e-16 ***
## wt           -5.3445     0.5591  -9.559 1.29e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.046 on 30 degrees of freedom
## Multiple R-squared:  0.7528, Adjusted R-squared:  0.7446 
## F-statistic: 91.38 on 1 and 30 DF,  p-value: 1.294e-10

# Scatter plot dengan garis regresi
plot(mtcars$wt, mtcars$mpg, 
     main = "Scatter Plot: MPG vs WT dengan Garis Regresi", 
     xlab = "Weight (wt)", 
     ylab = "Miles per Gallon (mpg)", 
     pch = 19, col = "blue")
abline(model, col = "red", lwd = 2)

# Interpretasi ## Intercept (37.2851): ### Koefisien wt (berat mobil): -5.3445, Artiny berat mobil memiliki hubungan negatif dengan konsumsi bahan bakar (mpg)

P-Value

p-value < 2e-16, yang menunjukkan bahwa nilai intercept sangat signifikan secara statistik.

p-value < 1.29e-10, menunjukkan bahwa berat mobil (wt) berpengaruh secara signifikan terhadap mpg pada tingkat signifikansi 0.05.

R-squared (𝑅²)

Multiple R-squared: 0.7528, Ini berarti bahwa 75.28% Ini menunjukkan bahwa model regresi ini cukup baik dalam memprediksi mpg berdasarkan berat mobil.

Adjusted R-squared: 0.7446, Ini berarti bahwa 74.46% tini menunjukkan bahwa model ini cukup memadai dengan proporsi variasi yang signifikan dijelaskan oleh variabel wt.

Kesimpulan

Koefisien regresi menunjukkan hubungan negatif antara berat mobil dan efisiensi bahan bakar: semakin berat mobil, semakin rendah mpg-nya.

Nilai R-squared yang tinggi (75.28%) menunjukkan bahwa model ini dapat menjelaskan sebagian besar variasi dalam mpg.