#Impor Data

data("mtcars")
mtcars
##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

#Menghitung statistik deskriptif untuk variabel ‘mpg’ dan Boxplot ‘mpg dan cyl’

mean_mpg <- mean(mtcars$mpg)
cat("mean;", mean_mpg, "\n")
## mean; 20.09062
median_mpg <- median(mtcars$mpg)
cat("Median:", median_mpg, "\n")
## Median: 19.2
sd_mpg <- sd(mtcars$mpg)  
cat("Standar Deviasi:", sd_mpg, "\n")
## Standar Deviasi: 6.026948
##Boxplot variabel mpg dan cyl
boxplot(mpg ~ cyl, data = mtcars, xlab = "cyl",ylab = "Miles Per Gallon (MPG)",col = c("lightblue", "lightgreen", "pink"),border = "black")

#Membuat histogram untuk variabel hp(horsepower)

hist(mtcars$hp,
      main = 'Histogram Variabel Horsepower',
      ylab = ' Frekuensi',
      xlab = ' Horsepower',
     col = 'blue',
     border='black')

#Membuat garis Densitas

hist(mtcars$hp, 
main = 'Histogram Variabel Horsepower(hp)', 
     xlab = 'Horsepower(hp)',
     freq = FALSE,
     col = 'blue',
     border = 'navy')
abline(density(mtcars$hp))

#Kesimpulan Grafik histogram menunjukkan distribusi data yang positif skewed, dengan konsentrasi data mayoritas pada nilai yang lebih rendah (sekitar 50 hingga 150). Frekuensi data menurun tajam di atas 200, menunjukkan bahwa sebagian besar data terdistribusi di kisaran nilai kecil hingga menengah.

#Uji ANOVA dataset iris

##Melakukan uji ANOVA untuk membandingkan panjang sepal antar spesies
anova_result <- aov(Sepal.Length ~ Species, data = iris)
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

#Uji t-test

setosa_petal_length <- subset(iris, Species == "setosa")$Petal.Length
versicolor_petal_length <- subset(iris, Species == "versicolor")$Petal.Length

##Melakukan Uji t-test dua sampel
t_test_result <- t.test(setosa_petal_length, versicolor_petal_length)

print(t_test_result)
## 
##  Welch Two Sample t-test
## 
## data:  setosa_petal_length and versicolor_petal_length
## 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

#Model Regresi linear sederhana

##Ringkasan model regresi linear sederhana
model <- lm(mpg ~ wt, data = mtcars)
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
##Membuat Scatter Plot dengan Garis Regresi
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.3.3
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point() +
  geom_smooth(method = "lm") +
  labs(x = "Berat Mobil (wt)", y = "Efisiensi Bahan Bakar (mpg)",
       title = "Hubungan antara Berat Mobil dan Efisiensi Bahan Bakar")
## `geom_smooth()` using formula = 'y ~ x'

#Interpretasi Hasil Berdasarkan grafik yang Anda unggah, hubungan antara berat mobil (wt) dan efisiensi bahan bakar (mpg) menunjukkan tren negatif, di mana semakin berat mobil, semakin rendah efisiensi bahan bakar.Koefisien Regresi: Menunjukkan perubahan rata-rata mpg untuk setiap unit perubahan wt. Jika koefisien regresi negatif, berarti ada hubungan terbalik—semakin berat mobil, semakin rendah mpg.Nilai R²: Menunjukkan sejauh mana variasi dalam mpg dapat dijelaskan oleh variasi dalam wt. Nilai R² yang tinggi menunjukkan bahwa model regresi dapat menjelaskan sebagian besar variasi data.Jadi, model ini menunjukkan bahwa berat mobil berpengaruh signifikan terhadap efisiensi bahan bakar, dengan R² menggambarkan seberapa baik hubungan ini dijelaskan oleh model regresi.