## Data EcoTrack
data <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)

1. Hitung mean, median, dan modus data

mean(data)
## [1] 24.6
median(data)
## [1] 23
modus <- function(x) {
  u <- unique(x)
  u[which.max(tabulate(match(x, u)))]
}
modus(data)
## [1] 22
# Membuat ringkasan menjadi tabel estetik
library(DT)

ringkasan_data <- data.frame(
  Indikator = c("Mean (Rata-rata)", "Median (Nilai Tengah)", "Modus (Nilai Sering Muncul)"),
  Nilai = c(mean(data), median(data), modus(data))
)

datatable(ringkasan_data, options = list(dom = 't'), rownames = FALSE)

2. Tentukan Q1 dan Q3, lalu interpretasikan IQR-nya dalam konteks kasus ini.

##Mengurutkan data
dataUrut <- c(18, 19, 20, 21, 22, 22, 23, 23, 24, 24, 25, 26, 27, 30, 45)

quantile(dataUrut, probs = c(0.25, 0.75), type = 6)
## 25% 75% 
##  21  26
IQR(dataUrut, type =6)
## [1] 5

Jadi, sebesar 50% pengguna aktif di kelompok tengah meiliki pola penggunaan aplikasi yang sangat konsisten, dengan selisih waktu penggunaan harian antar pengguna maksimal hanya 5 menit(berkisar antara 21 hingga 26 menit.

3. Hitung varians dan standar deviasi; menurut Anda, apakah data ini tergolong bervariasi tinggi atau rendah?

var(dataUrut)  #varians
## [1] 41.54286
sd(dataUrut)   #Standar Deviasi
## [1] 6.445375

Data ini tergolong bervariasi sedang (moderat) menuju tinggi. Hal ini disebabkan oleh adanya satu nilai ekstrem (angka 45) yang jaraknya sangat jauh dari kelompok data lainnya, sehingga membuat nilai standar deviasi dan variansnya membengkak.

4. Hitung koefisien skewness Pearson dan tentukan arah kemencengannya; verifikasi dengan fungsi skewness()

library(moments)
skewness(data)
## [1] 2.212573

Karena nilai skewness yang diperoleh adalah 2.212573 (bernilai positif), maka arah kemencengan data tersebut adalah menceng ke kanan (positively skewed). Ini berarti sebagian besar data berkumpul di nilai-nilai kecil (sebelah kiri), sementara ekor distribusinya memanjang ke arah nilai yang lebih besar di sebelah kanan akibat adanya nilai pencilan (outlier) 45.