Tugas Probstat

Install library

Beberapa library yang perlu diinstall sebagai berikut:

library(ggplot2)
library(readxl)
library(ggthemes)
library(gridExtra)

Input Data

Data diinput dari Mircosoft Excel dengan syntax sebagai berikut:

setwd("C:/Users/RBNRC/Downloads/Compressed")
data <- read_excel("data_tren_game_engine.xlsx")
head(data)

## # A tibble: 6 × 8
##   `Game Engine` `Genre Game` `Tingkat Penggunaan Engine` `Respon Developer`
##   <chr>         <chr>        <chr>                       <chr>             
## 1 Unity         Adventure    Tinggi                      Sangat Positif    
## 2 Godot         Action       Tinggi                      Sangat Positif    
## 3 Unity         Horror       Tinggi                      Negatif           
## 4 Unreal Engine Adventure    Tinggi                      Negatif           
## 5 GameMaker     RPG          Tinggi                      Sangat Positif    
## 6 Unreal Engine Puzzle       Rendah                      Sangat Positif    
## # ℹ 4 more variables: `Pengalaman Developer (tahun)` <dbl>,
## #   `Frekuensi Penggunaan per Minggu` <dbl>,
## #   `Produktivitas Sebelum Engine` <dbl>, `Produktivitas Sesudah Engine` <dbl>

1.Pie Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Game Engine:

pie_chart <-  ggplot(data, aes(x = "", fill = `Game Engine`)) +
  geom_bar(width = 1) +
  coord_polar("y", start = 0) +
  theme_minimal() +
  labs(title = "Engine") +
  theme(axis.text.x = element_blank())

pie_chart

2.Bar Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data Jumlah Responden berdasarkan Distribusi Tingkat Penggunaan Engine:

bar_chart <- ggplot(data, aes(x = `Tingkat Penggunaan Engine`, fill = `Tingkat Penggunaan Engine`)) +
  geom_bar() +
  theme_minimal() +
  labs(title = "Distribusi Tingkat Penggunaan Engine", x = "Tingkat Penggunaan Engine", y = "Frekuensi")

bar_chart

3.Dot Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Dot plot. Berikut terlampir hasil visualisasi data Pengalaman Developer vs. Produktivitas Sebelum Engine:

dot_plot <- ggplot(data, aes(x = `Pengalaman Developer (tahun)`, y = `Produktivitas Sebelum Engine`)) +
  geom_point(color = "blue", size = 2) +
  theme_minimal() +
  labs(title = "Dot Plot: Pengalaman Developer vs. Produktivitas Sebelum Engine", x = "Pengalaman Developer (tahun)", y = "Produktivitas Sebelum Engine")

dot_plot

4.Stem and Leaf Plot

stem(data$`Pengalaman Developer (tahun)`)

## 
##   The decimal point is at the |
## 
##    1 | 00000
##    2 | 00000
##    3 | 
##    4 | 00
##    5 | 0
##    6 | 000000
##    7 | 00
##    8 | 00
##    9 | 00000
##   10 | 00

5. Histogram

histogram <- ggplot(data, aes(x = `Frekuensi Penggunaan per Minggu`)) +
  geom_histogram(binwidth = 5, fill = "blue", color = "black", alpha = 0.7) +
  theme_minimal() +
  labs(title = "Histogram: Frekuensi Penggunaan per Minggu", x = "Frekuensi", y = "Jumlah Individu")

histogram

6. Boxplot

boxplot_data <- ggplot(data) +
  geom_boxplot(aes(y = `Pengalaman Developer (tahun)`, fill = "pengalaman developer (tahun"), alpha = 0.6) +
  theme_minimal() +
  labs(title = "Boxplot: Lama Bekerja dalam tahun", fill = "Kondisi")

boxplot_data

7. Density Plot

density_plot <- ggplot(data, aes(x = `Produktivitas Sesudah Engine`,fill = "Produktivitas")) +
  geom_density(alpha = 0.5) +
  theme_minimal() +
  labs(title = "Density Plot: Produktivitas Sesudah Engine", x = "Produktivitas", y = "Density")
density_plot

Ukuran Pemusatan

1. Menghitung Rata-Rata (mean)

Berikut terlampir syntax untuk menghitung rata-rata (mean) pengalaman developer dari responden

mean(data$`Pengalaman Developer (tahun)`)

## [1] 5.3

2. Menghitung Median

Berikut terlampir syntax untuk menghitung median pengalaman developer dari responden

median(data$`Pengalaman Developer (tahun)`)

## [1] 6

3. Menghitung Modus

Berikut terlampir syntax untuk menghitung modus pengalaman developer dari responden

modus <- function(x) {
  uniqx <- unique(x)
  uniqx[which.max(tabulate(match(x, uniqx)))]
}

modus(data$`Pengalaman Developer (tahun)`)

## [1] 6

Menampilkan ringkasan data (Statistik 5 Serangkai)

summary(data$`Pengalaman Developer (tahun)`)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     1.0     2.0     6.0     5.3     8.0    10.0

Ukuran Penyebaran data

1. Menghitung Keragaman Data

var(data$`Pengalaman Developer (tahun)`)

## [1] 9.872414

2. Menghitung standar deviasi dari data

sd(data$`Pengalaman Developer (tahun)`)

## [1] 3.14204