{r} ##1. Dataset airquality data(airquality) ##A. Menghitung statistik deskriptif mean_ozone <- mean(airquality\(Ozone, na.rm=TRUE) median_ozone <- median(airquality\)Ozone, na.rm=TRUE) sd_ozone <- sd(airquality$Ozone, na.rm=TRUE)

Menampilkan hasil

cat(“Mean:”, mean_ozone, “:”, median_ozone, “Deviasi:”, sd_ozone)

{r} ##B. Scatter plot antara Wind dan Temp plot(airquality\(Wind, airquality\)Temp, xlab = “Wind”, ylab = “Temperature”, main = “Scatter Plot antara Wind dan Temp”)

{r} ## 2. Grafik Batang untuk cyl di Dataset mtcars

data(mtcars)

Membuat grafik batang dengan label jumlah setiap kategori

barplot(table(mtcars$cyl), main = “Distribusi Variabel cyl”, xlab = “Jumlah Silinder”, ylab = “Frekuensi”, col = “skyblue”)

{r} ## 3. Dataset iris # a. Membuat Boxplot untuk Petal.Width Berdasarkan Species data(iris)

Boxplot Petal.Width berdasarkan Species

boxplot(Petal.Width ~ Species, data=iris, main=“Boxplot Petal.Width Berdasarkan Species”, xlab=“Species”, ylab=“Petal Width”, col=“lightgreen”)

{r} ## b. Menghitung Korelasi antara Sepal.Length dan Petal.Length

Menghitung korelasi

cor_value <- cor(iris\(Sepal.Length, iris\)Petal.Length) cat(“Korelasi antara Sepal.Length dan Petal.Length:”, cor_value)

{r} ## c. Scatter Plot Sepal.Length dan Sepal.Width Berdasarkan Warna Spesies

library(ggplot2)

Membuat scatter plot dengan warna berbeda

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”)

{r} ## 4. Uji Chi-Square pada Dataset mtcars data(mtcars)

{r} # Mengubah vs dan am menjadi faktor mtcars\(vs <- as.factor(mtcars\)vs) mtcars\(am <- as.factor(mtcars\)am)

{r} # Membuat tabel kontingensi tab <- table(mtcars\(vs, mtcars\)am)

{r} # Uji Chi-Square chi_result <- chisq.test(tab)

Menampilkan hasil

print(chi_result)

{r} ## 5. Regresi Linear Sederhana dengan Dataset airquality

#a. Ringkasan Model Regresi Linear # Model regresi linear: Temp ~ Solar.R model <- lm(Temp ~ Solar.R, data=airquality) summary(model)

{r} ## b. Scatter Plot dengan Garis Regresi # Pastikan dataset ‘airquality’ telah tersedia data(airquality)

Hapus nilai NA dalam dataset agar tidak error

airquality_clean <- na.omit(airquality)

Buat model regresi linear

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

Buat scatter plot antara Solar.R dan Temp

plot(airquality_clean\(Solar.R, airquality_clean\)Temp, xlab = “Solar Radiation”, ylab = “Temperature”, main = “Regresi Linear: Temp ~ Solar.R”)

##c. Interpretasi Hasil

#Koefisien regresi dan nilai R² dapat dilihat dari output summary(model). #Koefisien menunjukkan pengaruh Solar.R terhadap Temp. #Nilai R² menunjukkan seberapa baik model menjelaskan variasi data.