Gunakan dataset airquality

#Statistik deskriptif untuk variabel Ozone

# Load dataset airquality
data("airquality")

# Hitung statistik deskriptif
summary(airquality$Ozone)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    1.00   18.00   31.50   42.13   63.25  168.00      37
sd(airquality$Ozone, na.rm = TRUE)  # Standar deviasi
## [1] 32.98788

#Scatter plot antara variabel Wind dan Temp

# Buat scatter plot
plot(airquality$Wind, airquality$Temp, 
     xlab = "Wind", ylab = "Temp", 
     main = "Scatter Plot antara Wind dan Temp")

Buat bar chart untuk variabel cyl dari dataset mtcars

# Load dataset mtcars
data("mtcars")

# Buat bar chart
barplot(table(mtcars$cyl), 
        main = "Jumlah Kategori cyl",
        xlab = "Kategori cyl", 
        ylab = "Jumlah", 
        col = "pink")

Gunakan dataset iris

#Boxplot untuk Petal.Width berdasarkan Species

# Load dataset iris
data("iris")

# Buat boxplot
boxplot(Petal.Width ~ Species, data = iris, 
        main = "Boxplot Petal.Width berdasarkan Species",
        xlab = "Species", ylab = "Petal.Width", col = "pink")

#Korelasi antara Sepal.Length dan Petal.Length

# Hitung korelasi
cor(iris$Sepal.Length, iris$Petal.Length)
## [1] 0.8717538
# Interpretasi hasil: Jika nilai korelasi mendekati 1 atau -1, berarti hubungan kuat.

#Scatter plot antara Sepal.Length dan Sepal.Width

# Scatter plot dengan warna berdasarkan Species
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.2
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  ggtitle("Scatter Plot Sepal.Length vs Sepal.Width") +
  xlab("Sepal.Length") + ylab("Sepal.Width")
## `geom_smooth()` using formula = 'y ~ x'

Uji Chi-Square untuk hubungan antara vs dan am dari dataset mtcars

# Buat tabel kontingensi
table_vs_am <- table(mtcars$vs, mtcars$am)

# Lakukan uji Chi-Square
chisq.test(table_vs_am)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  table_vs_am
## X-squared = 0.34754, df = 1, p-value = 0.5555
# Interpretasi hasil: Jika p-value < 0.05, maka ada hubungan signifikan.

Model regresi linear sederhana menggunakan dataset airquality

#Tampilkan ringkasan modeL

# Model regresi linear
model <- lm(Temp ~ Solar.R, data = airquality)

# Ringkasan model
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

#Scatter plot dengan garis regresi

# Scatter plot dengan garis regresi
plot(airquality$Solar.R, airquality$Temp, 
     main = "Scatter Plot dengan Garis Regresi",
     xlab = "Solar.R", ylab = "Temp")
abline(model, col = "green")

#Interpretasi hasil

  1. Persamaan Regresi Model regresi sederhana ini memiliki bentuk: Temp = 72.863 + 0.08255 × Solar.R Temp = 72.863 + 0.08255 × Solar.R Variabel Solar.R berpengaruh signifikan terhadap variabel Temp.

  2. Multiple R-squared: 0.07609 hanya sekitar 7.6%. kemampuan model dalam memprediksi suhu berdasarkan Solar.R cukup lemah.

  3. F-statistic: 11.86, dengan p-value 0.0007518.

kesimpulan umum 1. Solar.R memiliki pengaruh positif yang signifikan terhadap suhu (Temp) meskipun pengaruhnya lemah, terlihat dari nilai R-squared yang rendah.

  1. Model regresi ini dapat digunakan untuk memprediksi Temp, namun tidak cukup kuat untuk memberikan prediksi yang akurat karena banyak variasi suhu yang tidak dijelaskan oleh Solar.R.