UTS Komputasi Statistika

Menginput dataset mtcars

data("mtcars")

Menghitung mean, median, dan standar deviasi untuk variabel mpg

mean(mtcars$mpg)

## [1] 20.09062

median(mtcars$mpg)

## [1] 19.2

sd(mtcars$mpg)

## [1] 6.026948

Membuat boxplot untuk variabel mpg berdasarkan variabel cyl

boxplot(mpg ~ cyl, data = mtcars,
        main = "Boxplot MPG berdasarkan Jumlah Silinder (Cyl)",
        xlab = "Jumlah Silinder (Cyl)",
        ylab = "Miles Per Gallon (MPG)",
        col = "white")

Membuat histogram untuk variabel hp dengan garis densitas

hist(mtcars$hp, 
     main = "Histogram of Horsepower with Density Curve", 
     xlab = "Horsepower (hp)", 
     col = "white", 
     border = "black", 
     freq = FALSE) 
lines(density(mtcars$hp), col = "black", lwd = 2)

berdasarkan histogram dan garis densitas, distribusi hp terlihat tidak simetris dan cenderung positively skewed (skewed to the right). Artinya, ada beberapa nilai hp yang sangat tinggi yang memengaruhi distribusi.

Menggunakan dataset bawaan iris

data(iris)

Melakukan uji ANOVA

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

Menampilkan ringkasan hasil ANOVA

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

Mengambil data untuk spesies Setosa dan Versicolor

setosa <- iris$Petal.Length[iris$Species == "setosa"]
versicolor <- iris$Petal.Length[iris$Species == "versicolor"]

Melakukan uji t-test dua sampel

t_test_result <- t.test(setosa, versicolor)

Menampilkan hasil uji t-test

print(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

Memberi kesimpulan dari hasil uji t-test

Berdasarkan hasil p-value (2.2 ≥ 0.05), maka tidak ada perbedaan signifikan antara panjang petal spesies tersebut.

Membuat model regresi linear sederhana untuk memprediksi mpg berdasarkan wt

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

Menampilkan ringkasan model regresi

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

plot(mtcars$wt, mtcars$mpg,
     main = "Regresi Linear Sederhana: MPG ~ Weight",
     xlab = "Berat Mobil (wt)",
     ylab = "Miles Per Gallon (mpg)",
     pch = 19,
     col = "black")
abline(model, col = "black", lwd = 2)