1. Mencari Mean, Median, dan Modus

Data EcoTrack

bug <- c(18, 19, 20, 22, 22, 23, 23, 24, 24, 25, 26, 27, 30, 45)

mean(bug) median(bug)

R tidak punya fungsi modus bawaan

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

Output

[1]24.6 [1]23 [1]22 23 24

2. Menentukan Q1 dan Q3

skor <- c(18,19,20,22,22,23,23,24,24,25,26,27,30,45)

Type = 6 -> posisi i(n+1)/100, sesuai rumus manual

quantile(skor, probs = c(0.25, 0.5, 0.75), type = 6) quantile(skor, probs = 0.3, type = 6) quantile(skor, probs = 0.90, type = 6)

output

25% 50% 75% 21.50 23.50 26.25

Rentang data untuk 50% pengguna aktif yang berada di bagian tengah (paling representatif atau tipikal) memiliki variasi durasi penggunaan aplikasi sebesar 5 menit. Hal ini menunjukkan bahwa mayoritas pengguna memiliki kebiasaan penggunaan harian yang cukup seragam dan terkonsentrasi di sekitar nilai tengah.

3. Menghitung Varians dan Standar Deviasi

waktu <- c(18, 19, 20, 22, 22, 23, 23, 24, 24, 25, 26, 27, 30, 45)

diff(range(waktu)) # Range quantile(waktu, probs=c(0.25,0.75), type=6) IQR(waktu, type = 6) var(waktu) # Varians sd(waktu) # Standar Deviasi

Output

var(waktu) [1] 43.67033

sd(waktu) [1] 6.608353

Data ini tergolong bervariasi tinggi. Hal ini disebabkan oleh adanya satu nilai ekstrem (outlier) yaitu 45 menit, yang jaraknya sangat jauh dari rata-rata kelompok data lainnya, sehingga mendongkrak nilai standar deviasi secara signifikan.

4. Menghitung Koefisien Skewness Pearson

likes <- c(18,19,20,22,22,23,23,24,24,25,26,27,30,45) mean(likes); median(likes); sd(likes)

install.packages(‘moments’) jika belum ada

library(moments) skewness(likes) kurtosis(likes)