UAS Komputasi Statistika

UAS KOMPUTASI STATISTIKA

Nama : Ibnu Raihan NIM : 2304220044 Matkul : Komputasi Statistika

1. Gunakan dataset airquality yang tersedia di R

data = airquality

a. Hitung Statistik Deskriptif variabel ozone

data = airquality

mean_Ozone <- mean(airquality$Ozone, na.rm = TRUE)
median_Ozone <- median(airquality$Ozone, na.rm = TRUE)
sd_Ozone <- sd(airquality$Ozone, na.rm = TRUE)

cat("Mean Ozone:", mean_Ozone, "\n")

## Mean Ozone: 42.12931

cat("Median Ozone:", median_Ozone, "\n")

## Median Ozone: 31.5

cat("Standar Deviasi Ozone:", sd_Ozone, "\n")

## Standar Deviasi Ozone: 32.98788

b. Buatlah diagram pencar (scatter plot) antara variabel Wind dan Temp

plot(airquality$Wind, airquality$Temp,
     main = "Scatter Plot antara Wind dan Temp",
     xlab = "Wind",
     ylab = "Temp",
     col = "blue", pch = 16)
grid()

2. Buatlah barchart untuk variabel cyl dari dataset mtcars dan tambahkan label jumlah setiap kategori pada grafik.

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.3

ggplot(mtcars, aes(x = factor(cyl))) +
  geom_bar(fill = "lightblue", color = "black") +
  geom_text(stat = "count", aes(label = ..count..), vjust = -0.5) +
  labs(title = "Bar Chart untuk Jumlah Silinder (cyl)",
       x = "Jumlah Silinder",
       y = "Frekuensi")

## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

3. Gunakan dataset iris untuk menyelesaikan permasalahan berikut.

data(iris)

a. Buat boxplot untuk membandingkan Petal.Width berdasarkan variabel Species

boxplot(Petal.Width ~ Species, data = iris,
        main = "Boxplot Petal.Width Berdasarkan Species",
        xlab = "Species", ylab = "Petal Width",
        col = c("skyblue", "lightgreen", "pink"))

b. Hitung korelasi antara Sepal.Length dan Petal.Length, lalu interpretasikan hasilnya

korelasi <- cor(iris$Sepal.Length, iris$Petal.Length)
cat("Korelasi antara Sepal.Length dan Petal.Length:", korelasi , "\n")

## Korelasi antara Sepal.Length dan Petal.Length: 0.8717538

Interpretasi : Berdasarkan hasil uji korelasi, Sepal.Length dan Petal.Length memiliki nilai korelasi yang positif sebesar 0.871 atau 87.1%. Korelasi antar kedua variabel tersebut sangat kuat.

c. Buatlah scatter plot antara Sepal.Length dan Sepal.Width dengan warna berbeda berdasarkan spesies. Tambahkan garis regresi untuk masing-masing spesies

ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Scatter Plot Sepal.Length vs Sepal.Width Berdasarkan Species",
       x = "Sepal Length", y = "Sepal Width")

## `geom_smooth()` using formula = 'y ~ x'

4. Lakukan uji Chi-Square untuk mengetahui hubungan antara dua variabel kategorik, yaitu vs dan am, dalam dataset mtcars.

tabel <- table(mtcars$vs, mtcars$am)
chi_result <- chisq.test(tabel)
print(chi_result)

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabel
## X-squared = 0.34754, df = 1, p-value = 0.5555

Interpretasi : Berdasarkan uji Chi-Square, P-value dari uji ini adalah 0.5555 (>0.05) yang berarti H0 gagal di tolak, Hal ini berarti Variabel vs dan am tidak memiliki hubungan yang signifikan berdasarkan uji Chi-Square.

5. Bangun model regresi linear sederhana menggunakan dataset airquality untuk memprediksi Temp berdasarkan Solar.R

a. Tampilkan ringkasan model menggunakan summary()

model <- lm(Temp ~ Solar.R, data = airquality)
summary(model)

## 
## Call:
## lm(formula = Temp ~ Solar.R, data = airquality)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -22.3787  -4.9572   0.8932   5.9111  18.4013 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 72.863012   1.693951  43.014  < 2e-16 ***
## Solar.R      0.028255   0.008205   3.444 0.000752 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.898 on 144 degrees of freedom
##   (7 observations deleted due to missingness)
## Multiple R-squared:  0.07609,    Adjusted R-squared:  0.06967 
## F-statistic: 11.86 on 1 and 144 DF,  p-value: 0.0007518

b. Buatlah scatter plot dengan garis regresi

plotregresi <- ggplot(airquality, aes(x = Solar.R, y = Temp)) + 
  geom_point() + 
  geom_smooth(method = "lm")
print(plotregresi)

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 7 rows containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 7 rows containing missing values or values outside the scale range
## (`geom_point()`).

c. Interpretasikan Hasil

Berdasarkan hasil uji model regresi, Variabel independen berpengaruh terhadap variabel dependen. Hal ini dapat di lihat dari nilai p-value yang sangat rendah (<0.05) sehingga kita menolak H0 dan menerima H1.

Berikut adalah bentuk Modelnya

Model Regresi : 0.028255x + 72.8630

R-Squared : 0.06967 = 6.9% (Sangat Lemah)