# Standar deviasi
data(airquality)
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
plot(airquality$Wind, airquality$Temp,
     xlab = "Wind", ylab = "Temperature", 
     main = "Scatter Plot antara Wind dan Temp")

data(mtcars)
barplot(table(mtcars$cyl),
        main = "Bar Chart untuk Variabel cyl",
        xlab = "Jumlah Silinder",
        ylab = "Frekuensi",
        col = "lightblue")

data(iris)
boxplot(Petal.Width ~ Species, data = iris,
        main = "Boxplot Petal.Width Berdasarkan Species",
        xlab = "Species", ylab = "Petal Width")

cor(iris$Sepal.Length, iris$Petal.Length)
## [1] 0.8717538
library(ggplot2)
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Scatter Plot Sepal.Length vs Sepal.Width",
       x = "Sepal Length", y = "Sepal Width")
## `geom_smooth()` using formula = 'y ~ x'

table_vs_am <- table(mtcars$vs, mtcars$am)
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
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
plot(airquality$Solar.R, airquality$Temp,
     xlab = "Solar.R", ylab = "Temperature",
     main = "Scatter Plot dengan Garis Regresi")
abline(model, col = "red")

Berdasarkan hasil analisis regresi linear sederhana yang menghubungkan variabel Solar.R (radiasi matahari) dengan Temp (suhu) pada dataset airquality, kita mendapatkan sebuah model regresi dengan koefisien regresi dan nilai R² yang menggambarkan hubungan antara kedua variabel tersebut.

Dari hasil model regresi, kita mendapatkan koefisien regresi sebagai berikut:

Intercept (Konstanta): 72.863012 Ini menunjukkan bahwa ketika nilai Solar.R (radiasi matahari) adalah 0, suhu (Temp) diperkirakan akan sekitar 72.86°F. Secara praktis, ini berarti suhu dasar atau suhu yang diharapkan tanpa adanya radiasi matahari.

Koefisien untuk Solar.R: 0.028255 Koefisien ini menunjukkan bahwa setiap peningkatan sebesar 1 unit dalam Solar.R akan menyebabkan peningkatan suhu (Temp) sekitar 0.028255°F. Ini menunjukkan adanya hubungan positif antara radiasi matahari dan suhu, yang berarti semakin tinggi radiasi matahari, semakin tinggi suhu yang tercatat.

Nilai R² (R-squared): 0.06967 Nilai R² sebesar 0.06967 menunjukkan bahwa sekitar 6.96% variasi suhu (Temp) dapat dijelaskan oleh variasi dalam radiasi matahari (Solar.R). Meskipun nilai R² ini tidak sangat tinggi, ini menunjukkan bahwa ada hubungan yang signifikan, meskipun hanya sebagian kecil variasi suhu yang dapat dijelaskan oleh satu variabel ini.