#Berikut cara menginstal:

#install.packages("dplyr")
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.5.1
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

1.Menganalisis Perbandingan Berat Badan Mahasiswa Kelas A dan Kelas B

R Markdown Persiapan Data

Langkah persiapan data merupakan proses awal sebelum dilakukan analisis, mencakup tahapan pengumpulan dan pembersihan data. Pada sesi,bagian ini data akan disusun secara langsung melalui pembuatan data frame, seperti berikut:

# Membuat vektor yang berisi daftar nama mahasiswa kelas A 
# Membuat data untuk kelas A
# Operator '<-" ini digunakan untuk menetapkan nilai ke variabel
# Fungsi c() berfungsi menggabungkan seluruh data mahasiswa kelas A
nama_A <- c("Ani", "Budi","Cahya","Danu","Eka","Fitri","Gilang", "Hani","Indra", "Jihan")
nama_A
##  [1] "Ani"    "Budi"   "Cahya"  "Danu"   "Eka"    "Fitri"  "Gilang" "Hani"  
##  [9] "Indra"  "Jihan"
# Data berat badan A (kg) dari mahasiswa kelas A  
berat_badanA <- c (55, 65, 50, 70, 60, 58, 75, 52, 80, 53)
berat_badanA
##  [1] 55 65 50 70 60 58 75 52 80 53
# Data tinggi badan A dari 10 mahasiswa kelas A yang di catat dalam satuan sentimeneter
tinggi_badanA <- c (160, 175, 155, 180, 165, 162, 178, 158, 185, 159)
tinggi_badanA
##  [1] 160 175 155 180 165 162 178 158 185 159
# Membuat dataframe "kelas_A" yang memuat nama_kelasA, berat_badanA, dan tinggi_badanA dari mahasiswa kelas A 
kelas_A  <- data.frame (nama_A, berat_badanA, tinggi_badanA)
kelas_A
##    nama_A berat_badanA tinggi_badanA
## 1     Ani           55           160
## 2    Budi           65           175
## 3   Cahya           50           155
## 4    Danu           70           180
## 5     Eka           60           165
## 6   Fitri           58           162
## 7  Gilang           75           178
## 8    Hani           52           158
## 9   Indra           80           185
## 10  Jihan           53           159
# Membuat vektor yang berisi daftar nama mahasiswa kelas B 
# Membuat data untuk kelas B
# Operator '<-" ini digunakan untuk menetapkan nilai ke variabel
# Fungsi c() berfungsi menggabungkan seluruh data mahasiswa kelas B
nama_kelasB <- c("Alya", "Bintang", "Rizki", "Ana", "Nanda", "Dimas", "Ali", "Agus","Dwi", "Putri")
nama_kelasB 
##  [1] "Alya"    "Bintang" "Rizki"   "Ana"     "Nanda"   "Dimas"   "Ali"    
##  [8] "Agus"    "Dwi"     "Putri"
# Data berat badan B (kg) dari mahasiswa kelas B
berat_badanB <- c (50, 55, 53, 60, 58, 70, 52, 57, 59, 54)
berat_badanB
##  [1] 50 55 53 60 58 70 52 57 59 54
# Data tinggi badan B dari 10 mahasiswa kelas A yang di catat dalam satuan sentimeneter
tinggi_badanB <- c( 145, 160, 172, 155, 160, 170, 148, 162, 160, 143)
tinggi_badanB
##  [1] 145 160 172 155 160 170 148 162 160 143
# Membuat dataframe "kelas_B" yang memuat nama_kelasB, berat_badanB, dan tinggi_badanB dari mahasiswa kelas A 
kelas_B <- data.frame (nama_kelasB, berat_badanB, tinggi_badanB)

# Menampilkan data mahasiswa kelas A dan kelas B yang telah dibuat sebelumnya.
kelas_A
##    nama_A berat_badanA tinggi_badanA
## 1     Ani           55           160
## 2    Budi           65           175
## 3   Cahya           50           155
## 4    Danu           70           180
## 5     Eka           60           165
## 6   Fitri           58           162
## 7  Gilang           75           178
## 8    Hani           52           158
## 9   Indra           80           185
## 10  Jihan           53           159
kelas_B
##    nama_kelasB berat_badanB tinggi_badanB
## 1         Alya           50           145
## 2      Bintang           55           160
## 3        Rizki           53           172
## 4          Ana           60           155
## 5        Nanda           58           160
## 6        Dimas           70           170
## 7          Ali           52           148
## 8         Agus           57           162
## 9          Dwi           59           160
## 10       Putri           54           143

a. Ukuran Pemusatan Data untuk Berat Badan Mahasiswa Kelas A dan B

Ukuran pemusatan data adalah nilai yang mewakili pusat suatu kumpulan data. Tiga ukuran yang umum digunakan yaitu mean (rata-rata), median (nilai tengah), dan modus (nilai yang paling sering muncul). Ketiganya akan dihitung dari kelas A dan Kelas B, sebagai berikut:

#Kelas A
# Menghitung nilai rata-rata (mean) berdasarkan dari berat badanA mahasiswa kelas A
# Lalu menampilkannya di layar dengan satuan kilogram (kg)
mean_berat_badanA <- mean (berat_badanA)
cat("mean_berat_badanA:", mean_berat_badanA, "kg", "\n")
## mean_berat_badanA: 61.8 kg
# Menghitung nilai median (nilai tengah) dari berat badanA mahasiswa kelas A 
# Lalu menampilkannya di layar dengan satuan kilogram (kg)
median_berat_badanA <- median (berat_badanA)
cat("median_berat_badanA:", median_berat_badanA, "kg", "\n")
## median_berat_badanA: 59 kg
# Modus Menggunakan fungsi custom 
modus <- function(x) {  # Membuat fungsi untuk menentukan nilai modus
ux <- unique(x) # Menyimpan nilai unik dari x ke variabel ux
ux[which.max(tabulate(match(x, ux)))] # Menghitung frekuensinya
}
modus_berat_badanA <- modus(berat_badanA) # Menghitung modus dari data 
cat("modus_berat_badanA:", modus_berat_badanA, "kg", "\n") #Menampilkan hasil modus dalam (kg)
## modus_berat_badanA: 55 kg
#KelasB
# Menghitung nilai rata-rata (mean) berdasarkan dari berat badanA mahasiswa kelas B
# Lalu menampilkannya di layar dengan satuan kilogram (kg)
mean_berat_badanB <- mean (berat_badanB)
cat("mean_berat_badanB:", mean_berat_badanB, "kg", "\n")
## mean_berat_badanB: 56.8 kg
# Menghitung nilai median (nilai tengah) dari berat badanB dari  mahasiswa kelas B
# Lalu menampilkannya di layar dengan satuan kilogram (kg)
median_berat_badanB <- median (berat_badanB)
cat("median_berat_badanB:", median_berat_badanB, "kg", "\n")
## median_berat_badanB: 56 kg
# Modus Menggunakan fungsi custom 
modus <- function(x) {  # Membuat fungsi untuk menentukan nilai modus
ux <- unique(x) # Menyimpan nilai unik dari x ke variabel ux
ux[which.max(tabulate(match(x, ux)))] # Menghitung frekuensinya
}

modus_berat_badanB <- modus(berat_badanB) # Menghitung modus dari data 
cat("modus_berat_badanB:", modus_berat_badanB, "kg", "\n") #Menampilkan hasil modus dalam (kg)
## modus_berat_badanB: 50 kg

a. Ukuran Penyebaran Data untuk Berat Badan Mahasiswa Kelas A dan B

Ukuran penyebaran data menunjukkan seberapa jauh data tersebar dari nilai pusatnya. Semakin kecil nilainya, maka data makin mengelompok. Semakin besar nilainya maka data akan bervariasi. Berikut tiga ukuran yang umum digunakan yaitu range (rentang), variance ( variansi), dan standars deviation (simpangan baku), yang akan dihitung untuk data kelas A dan Kelas B, sebagai berikut:

#Kelas A 
# Menghitung nilai terendah dan tertinggi berat badanA kelas A (rentang)
range_berat_badanA <- range (berat_badanA)
cat ("range_berat_badanA:", range_berat_badanA, "\n")
## range_berat_badanA: 50 80
# Menghitung variansi berat badanA mahasiswa kelas A, untuk melihat keragamannya
var_berat_badanA <- var (berat_badanA)
cat ("var_berat_badanA:", var_berat_badanA, "\n")
## var_berat_badanA: 106.6222
#Menghitung standar deviation dari data berat badanA mahasiswa kelas A 
sd_berat_badanA <- sd(berat_badanA)
cat ( "sd_berat_badanA:", sd_berat_badanA, "\n")
## sd_berat_badanA: 10.3258
#Kelas B
# Menghitung nilai terendah dan tertinggi berat badanB kelas B (rentang)
range_berat_badanB <- range (berat_badanB)
cat ("range_berat_badanB:", range_berat_badanB, "\n")
## range_berat_badanB: 50 70
# Menghitung variansi berat badanB mahasiswa kelas B, untuk melihat keragamannya
var_berat_badanB <- var (berat_badanB)
cat ("var_berat_badanB:", var_berat_badanB, "\n")
## var_berat_badanB: 31.73333
#Menghitung standar deviation dari data berat badanB mahasiswa kelas B
sd_berat_badanB <- sd(berat_badanB)
cat ( "sd_berat_badanB:", sd_berat_badanB, "\n")
## sd_berat_badanB: 5.633235

b. Visualisasi Data untuk Berat Badan

Terdapat beberapa jenis visualisasi data, seperti histogram dan boxplot, dapat kita lihat seperti berikut:

# Membuat histogram berat badan mahasiswa kelas A
hist(kelas_A$berat_badanA, col = "pink",
      main = "Histogram Berat Badan Mahasiswa Kelas A",
      xlab = "Berat Badan (kg)")

# Membuat boxplot berat badan mahasiswa kelas A
boxplot (kelas_A$berat_badanA, col = "skyblue",
      main = "Boxplot Berat Badan Mahasiswa Kelas A",
      xlab = "Berat Badan (kg)")

# Membuat histogram berat badan mahasiswa kelas B
hist(kelas_B$berat_badanB, col = "yellow",
      main = "Histogram Berat Badan Mahasiswa Kelas B",
      xlab = "Berat Badan (kg)")

# Membuat boxplot berat badan mahasiswa kelas B
boxplot (kelas_B$berat_badanB, col = "purple",
      main = "Boxplot Berat Badan Mahasiswa Kelas B",
      xlab = "Berat Badan (kg)")

c. Interpretasi Perbandingan Ukuran pemusatan data pada Berat Badan Mahasiswa Kelas A dan Kelas B

Ukuran Pemusatan Data: Rata- Rata: Mahasiswa kelas A memiliki rata-rata berat badan 61,8 kg, lebih tinggi dibandingkan mahasiswa kelas B yang rata-ratanya 56,8 kg. Ini menandakan mahasiswa kelas A umumnya memiliki berat badan lebih besar.

Median: Median berat badan untuk kelas A sebesar 59 kg, sementara kelas B 56 kg. Ini menunjukkan bahwa separuh mahasiswa kelas A memiliki berat di atas 59 kg, sedangkan separuh mahasiswa kelas B di atas 56 kg.

Modus: Berat yang paling sering muncul di antara dua kelas tersebut adalah kelas A, dimana kelas A adalah 55 kg, sedangkan untuk kelas B 50 kg, ini menandakan bahwa frekuensi tertinggi di antara dua kelas tersebut berada pada kelas A , yang dimana itu lebih tinggi.

Interpretasi Perbandingan Ukuran Penyebaran data pada Berat Badan Mahasiswa Kelas A dan Kelas B

Ukuran Penyebaran Data: Range (rentang): Berat badan mahasiswa kelas A bervariasi di antara 50-80 , yang dimana lebih luas dari kelas B yang berkisar di anatara 50-70. Ini menunjukkan bahwa variasi yang lebih besar terdapat pada kelas A.

Variansi: Berat badan mahasiswa kelas A lebih bervariasi daripada kelas B, karena dapat kita lihat bahwa variansinya itu lebih tinggi.

Standar Deviasi: Dapat dilihat bahwa berat badan mahasiswa kelas A menyebar lebih lebar yaitu 10,3258 dari rata-rata, dibandingkan dengan kelas B yaitu 5,63 dari rata-rata. ini menunjukkan bahwa terdapat konsistensi dengan rentang dan variasi sebelumnya.

Interpretasi Perbandingan perbedaan pada Berat Badan Mahasiswa Kelas A dan Kelas B

Histogram A : Histogram ini menunjukkan mayoritas mahasiswa memiliki berat badan antara 50-55 kg dengan frekuensi tertinggi. Semakin naik berat badan, jumlah mahasiswa semakin sedikit. Maksutnya, distribusi datanya condong ke kanan.

Boxplot A : Menunjukkan sebagian besar berat badan mahasiswa Kelas A berada di antara 52-70 kg.

Histogram B: Menunjukkan bahwa mayoritas mahasiswa kelas B memiliki berat badan di antara 50-60 kg. Distribusinya condong ke kanan.

Boxplot B : Menunjukkan sebagian besar berat badan berada di anatara 53- 58.

2. Menganalisis Perbandingan Tinggi Badan Mahasiswa Kelas A dan Kelas B

a. Ukuran Pemusatan Data untuk Tinggi Badan Mahasiswa Kelas A dan B

Ukuran pemusatan data adalah nilai yang mewakili pusat suatu kumpulan data. Tiga ukuran yang umum digunakan yaitu mean (rata-rata), median (nilai tengah), dan modus (nilai yang paling sering muncul). Ketiganya akan dihitung dari kelas A dan Kelas B, sebagai berikut:

#Kelas A
# Menghitung nilai rata-rata (mean) berdasarkan dari tinggi badanA mahasiswa kelas A
# Lalu menampilkannya di layar dengan satuan sentimeter 
mean_tinggi_badanA <- mean (tinggi_badanA)
cat("mean_tinggi_badanA:", mean_tinggi_badanA, "cm", "\n")
## mean_tinggi_badanA: 167.7 cm
# Menghitung nilai median (nilai tengah) dari tinggi badanA mahasiswa kelas A 
# Lalu menampilkannya di layar dengan satuan sentimeter
median_tinggi_badanA <- median (tinggi_badanA)
cat("median_tinggi_badanA:", median_tinggi_badanA, "cm", "\n")
## median_tinggi_badanA: 163.5 cm
# Modus Menggunakan fungsi custom 
modus <- function(x) {  # Membuat fungsi untuk menentukan nilai modus
ux <- unique(x) # Menyimpan nilai unik dari x ke variabel ux
ux[which.max(tabulate(match(x, ux)))] # Menghitung frekuensinya
}
modus_tinggi_badanA <- modus(tinggi_badanA) # Menghitung modus dari data 
cat("modus_tinggi_badanA:", modus_tinggi_badanA, "cm", "\n") #Menampilkan hasil modus dalam (cm)
## modus_tinggi_badanA: 160 cm
#KelasB
# Menghitung nilai rata-rata (mean) berdasarkan dari tinggi badanA mahasiswa kelas B
# Lalu menampilkannya di layar dengan satuan sentimeter (cm)
mean_tinggi_badanB <- mean (tinggi_badanB)
cat("mean_tinggi_badanB:", mean_tinggi_badanB, "cm", "\n")
## mean_tinggi_badanB: 157.5 cm
# Menghitung nilai median (nilai tengah) dari tinggi badanB dari  mahasiswa kelas B
# Lalu menampilkannya di layar dengan satuan sentimeter (cm)
median_tinggi_badanB <- median (tinggi_badanB)
cat("median_tinggi_badanB:", median_tinggi_badanB, "cm", "\n")
## median_tinggi_badanB: 160 cm
# Modus Menggunakan fungsi custom 
modus <- function(x) {  # Membuat fungsi untuk menentukan nilai modus
ux <- unique(x) # Menyimpan nilai unik dari x ke variabel ux
ux[which.max(tabulate(match(x, ux)))] # Menghitung frekuensinya
}
modus_tinggi_badanB <- modus(tinggi_badanB) # Menghitung modus dari data 
cat("modus_tinggi_badanB:", modus_tinggi_badanB, "cm", "\n") #Menampilkan hasil modus dalam (kg)
## modus_tinggi_badanB: 160 cm

a. Ukuran Penyebaran Data untuk Tinggi Badan Mahasiswa Kelas A dan B

Ukuran penyebaran data menunjukkan seberapa jauh data tersebar dari nilai pusatnya. Semakin kecil nilainya, maka data makin mengelompok. Semakin besar nilainya maka data akan bervariasi. Berikut tiga ukuran yang umum digunakan yaitu range (rentang), variance ( variansi), dan standars deviation (simpangan baku), yang akan dihitung untuk data kelas A dan Kelas B, sebagai berikut:

#Kelas A 
# Menghitung nilai terendah dan tertinggi tinggi badanA kelas A (rentang)
range_tinggi_badanA <- range (tinggi_badanA)
cat ("range_tinggi_badanA:", range_tinggi_badanA, "\n")
## range_tinggi_badanA: 155 185
# Menghitung variansi tinggi badanA mahasiswa kelas A, untuk melihat keragamannya
var_tinggi_badanA <- var (tinggi_badanA)
cat ("var_tinggi_badanA:", var_tinggi_badanA, "\n")
## var_tinggi_badanA: 115.5667
#Menghitung standar deviation dari data tinggi badanA mahasiswa kelas A 
sd_tinggi_badanA <- sd(tinggi_badanA)
cat ( "sd_tinggi_badanA:", sd_tinggi_badanA, "\n")
## sd_tinggi_badanA: 10.75019
#Kelas B
# Menghitung nilai terendah dan tertinggi berat badanB kelas B (rentang)
range_tinggi_badanB <- range (tinggi_badanB)
cat ("range_tinggi_badanB:", range_tinggi_badanB, "\n")
## range_tinggi_badanB: 143 172
# Menghitung variansi tinggi badanB mahasiswa kelas B, untuk melihat keragamannya
var_tinggi_badanB <- var (tinggi_badanB)
cat ("var_tinggi_badanB:", var_tinggi_badanB, "\n")
## var_tinggi_badanB: 96.5
#Menghitung standar deviation dari data tinggi badanB mahasiswa kelas B
sd_tinggi_badanB <- sd(tinggi_badanB)
cat ( "sd_tinggi_badanB:", sd_tinggi_badanB, "\n")
## sd_tinggi_badanB: 9.823441

b. Visualisasi Data untuk Tinggi Badan

Terdapat beberapa jenis visualisasi data, seperti histogram dan boxplot, dapat kita lihat seperti berikut:

# Membuat histogram berat badan mahasiswa kelas A
hist(kelas_A$tinggi_badanA, col = "pink",
      main = "Histogram Tinggi Badan Mahasiswa Kelas A",
      xlab = "Tinggi Badan (kg)")

# Membuat boxplot berat badan mahasiswa kelas A
boxplot (kelas_A$tinggi_badanA, col = "skyblue",
      main = "Boxplot Tinggi Badan Mahasiswa Kelas A",
      xlab = "Tinggi Badan (kg)")

# Membuat histogram berat badan mahasiswa kelas B
hist(kelas_B$tinggi_badanB, col = "green",
      main = "Histogram Tinggi Badan Mahasiswa Kelas B",
      xlab = "Tinggi Badan (kg)")

# Membuat boxplot berat badan mahasiswa kelas B
boxplot (kelas_B$berat_badanB, col = "red",
      main = "Boxplot Tinggi Badan Mahasiswa Kelas B",
      xlab = "Tinggi Badan (kg)")

c. Interpretasi Perbandingan Ukuran pemusatan data pada Tinggi Badan Mahasiswa Kelas A dan Kelas B

Kelas A: Rata-rata tinggi badan mahasiswa adalah 167,7 cm, dengan median 163, 5 cm dan modus 160 cm. karena nilai rata-rata lebih besar daripada median dan modus, distribusi data cenderung miring ke kanan.

Kelas B: Rata-rata tinggi badan 157,5 cm, median 160 cm. Distribusi data relatif simetris sedikit miring ke kiri, karena sebagian besar mahasiswa memiliki tinggi badan mendekati 160 cm.

Interpretasi Perbandingan Ukuran Penyebaran data pada Tinggi Badan Mahasiswa Kelas A dan Kelas B

Kelas A: Tinggi badan berkisar antara 155 hingga 185 cm, dengan variansi 115,7 dan sd 10,57. Hal ini menunjukkan variasi tinggi badan mahasiswa cukup besar

Kelas B: Tinggi badan berkisaqr anatara 143 hingga 172 cm, dengan variansi 96,5 dan sd 9,82 cm. Ini menunjukkan bahwa data menandakan tinggi badan mahasiswa lebih seragam.

Interpretasi Perbandingan perbedaan pada Tinggi Badan Mahasiswa Kelas A dan Kelas B

Histogram A: Mahasiswa memiliki tinggi badan antara 155-160 cm, namaun terdapat beberapa mahasiswa dengan tinggi hingga 185 cm, sehingga ini disebut sebagai distribusi miring ke kanan.

Boxplot A: Terdapat rentang data antara 155-185 fcm, yang menunjukkan variasi tinggi badan cukup besar.

Histogram B: Tinggi badan mahasiswa lebih marata di antara 155-160.

Boxplot B:Menunjukkan tinggi badan mahasiswa yang lebih seragam.