R MARKDOWN

Pada kesempatan kali ini, kita akan menganalisis dan membandingkan berat badan mahasiswa kelas A dan kelas B kemudian menganalisis dan membandingkan tinggi badan mahasiswa kelas A dan B

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

  1. Bandingkan ukuran pemusatan data(rata-rata, median, modus) dan ukuran penyebaran data(rentang, variansi, simpangan baku) untuk berat badan mahasiswa kelas A dan kelas B

Jawaban: pertama-tama, masukkan data yang telah kita peroleh ke dalam fungsi

####data mahasiswa di kelas A

nama_A <- c("Ani", "Budi", "Cahya", "Danu", "Eka", 
            "Fitri", "Gilang", "Hani", "Indra", "Jihan")
bb_A <- c(55, 65, 50, 70, 60, 58, 75, 52, 80, 53)
tb_A <- c(160, 175, 155, 180, 165, 162, 178, 158, 185, 159)
kelas_A <- data.frame(nama_A, bb_A, tb_A)

###data mahasiswa di kelas B

nama_B <- c("Alya", "Bintang", "Rizky", "Ana", "Nanda", 
            "Dimas", "Ali", "Agus", "Dwi", "Putri")
bb_B <- c(50, 55, 53, 60, 58, 70, 52, 57, 59, 54)
tb_B <- c(145, 160, 172, 155, 160, 170, 148, 162, 160, 143)
kelas_B <- data.frame(nama_B, bb_B, tb_B)

kemudian panggil fungsi kelasnya

kelas_A
##    nama_A bb_A tb_A
## 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_B bb_B tb_B
## 1     Alya   50  145
## 2  Bintang   55  160
## 3    Rizky   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

kita buat pemusatan datanya

mean_bbA <- mean(bb_A)
cat("mean_bbA:", mean_bbA, "kg", "\n")
## mean_bbA: 61.8 kg
median_bbA <- median(bb_A)
cat("median_bbA:", median_bbA, "kg", "\n")
## median_bbA: 59 kg
modus <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

modus_bbA <- modus(bb_A)
cat("modus_bbA:", modus_bbA, "kg", "\n")
## modus_bbA: 55 kg
mean_bbB <- mean(bb_B)
cat("mean_bbB:", mean_bbB, "kg", "\n")
## mean_bbB: 56.8 kg
median_bbB <- median(bb_A)
cat("median_bbB:", median_bbB, "kg", "\n")
## median_bbB: 59 kg
modus <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

modus_bbB <- modus(bb_B)
cat("modus_bbB:", modus_bbB, "kg", "\n")
## modus_bbB: 50 kg

kita buat penyebaran datanya

range_bbA <- range(bb_A)
cat("range_bbA:", range_bbA, "\n")
## range_bbA: 50 80
var_bbA <- var(bb_A)
cat("var_bbA:", var_bbA, "\n")
## var_bbA: 106.6222
sd_bbA <- sd(bb_A)
cat("sd_bbA:", sd_bbA, "\n")
## sd_bbA: 10.3258
range_bbB <- range(bb_B)
cat("range_bbB:", range_bbB, "\n")
## range_bbB: 50 70
var_bbB <- var(bb_B)
cat("var_bbB:", var_bbB, "\n")
## var_bbB: 31.73333
sd_bbB <- sd(bb_B)
cat("sd_bbB:", sd_bbB, "\n")
## sd_bbB: 5.633235

visualisasi data

untuk membuat penggambaran terkait perbandingan kedua data menggunakan boxplot

boxplot(kelas_A$bb_A, horizontal = TRUE,
        main = "Boxplot Berat Badan Mahasiswa Kelas A",
        col = "navy")

boxplot(kelas_B$bb_B, horizontal = TRUE,
        main = "Boxplot Berat Badan Mahasiswa Kelas B",
        col = "maroon")

dari hasil data di atas dapat ditemukan bahwa telah didapatkan hasil perbandingan antara kelas A dan kelas B. masukkan dua warna yang berbeda agar membedakan antara kelas A dan B. untuk perbandingan bisa menggunakan boxplot karena tampilannya lebih sederhana sehingga mudah dibaca

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

  1. Bandingkan ukuran pemusatan data(rata-rata, median, modus) dan ukuran penyebaran data(rentang, variansi, simpangan baku) untuk berat badan mahasiswa kelas A dan kelas B

Jawaban: pertama-tama, masukkan data yang telah kita peroleh ke dalam fungsi

####data mahasiswa di kelas A

nama_A <- c("Ani", "Budi", "Cahya", "Danu", "Eka", 
            "Fitri", "Gilang", "Hani", "Indra", "Jihan")
bb_A <- c(55, 65, 50, 70, 60, 58, 75, 52, 80, 53)
tb_A <- c(160, 175, 155, 180, 165, 162, 178, 158, 185, 159)
kelas_A <- data.frame(nama_A, bb_A, tb_A)

###data mahasiswa di kelas B

nama_B <- c("Alya", "Bintang", "Rizky", "Ana", "Nanda", 
            "Dimas", "Ali", "Agus", "Dwi", "Putri")
bb_B <- c(50, 55, 53, 60, 58, 70, 52, 57, 59, 54)
tb_B <- c(145, 160, 172, 155, 160, 170, 148, 162, 160, 143)
kelas_B <- data.frame(nama_B, bb_B, tb_B)

kemudian panggil fungsi kelasnya

kelas_A
##    nama_A bb_A tb_A
## 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_B bb_B tb_B
## 1     Alya   50  145
## 2  Bintang   55  160
## 3    Rizky   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

kita buat pemusatannya

mean_tbA <- mean(tb_A)
cat("mean_tbA:", mean_tbA, "kg", "\n")
## mean_tbA: 167.7 kg
median_tbA <- median(tb_A)
cat("median_tbA:", median_tbA, "kg", "\n")
## median_tbA: 163.5 kg
modus <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

modus_tbA <- modus(tb_A)
cat("modus_tbA:", modus_tbA, "kg", "\n")
## modus_tbA: 160 kg
mean_tbB <- mean(tb_B)
cat("mean_bbB:", mean_bbB, "kg", "\n")
## mean_bbB: 56.8 kg
median_tbB <- median(tb_A)
cat("median_bbB:", median_bbB, "kg", "\n")
## median_bbB: 59 kg
modus <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

modus_tbB <- modus(tb_B)
cat("modus_tbB:", modus_tbB, "kg", "\n")
## modus_tbB: 160 kg

lalu penyebaran datanya

range_tbA <- range(tb_A)
cat("range_tbA:", range_tbA, "\n")
## range_tbA: 155 185
var_tbA <- var(tb_A)
cat("var_tbA:", var_tbA, "\n")
## var_tbA: 115.5667
sd_tbA <- sd(tb_A)
cat("sd_tbA:", sd_tbA, "\n")
## sd_tbA: 10.75019
range_tbB <- range(tb_B)
cat("range_tbB:", range_tbB, "\n")
## range_tbB: 143 172
var_tbB <- var(tb_B)
cat("var_tbB:", var_tbB, "\n")
## var_tbB: 96.5
sd_tbB <- sd(tb_B)
cat("sd_tbB:", sd_tbB, "\n")
## sd_tbB: 9.823441

dan visualisasi data yang dibedakan tiap warna agar memudahkan untuk dibaca

boxplot(kelas_A$tb_A, horizontal = TRUE,
        main = "Boxplot Berat Badan Mahasiswa Kelas A",
        col = "orange")

boxplot(kelas_B$tb_B, horizontal = TRUE,
        main = "Boxplot Berat Badan Mahasiswa Kelas B",
        col = "green")

dari hasil yang telah didapatkan, dapat kita simpulkan bahwa telah didapatkan hasil perbandingan antara kelas A dan kelas B. masukkan dua warna yang berbeda agar membedakan antara kelas A dan B. untuk perbandingan bisa menggunakan boxplot karena tampilannya lebih sederhana sehingga mudah dibaca