1, Mean, Median, dan Modus

data_ecotrack <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)

# Mean (Rata-Rata)
mean_val <- mean(data_ecotrack)
cat("Mean:", mean_val, "\n")
## Mean: 24.6
# Median (Nilai Tengah)
median_val <- median(data_ecotrack)
cat("Median:", median_val, "\n")
## Median: 23
# Modus (Karena R studio tidak ada fungsi bawaan untuk modus dan ada lebih dari 1 modus)
tabel_freq <- table(data_ecotrack)
modus_val <- as.numeric(names(tabel_freq)[tabel_freq == max(tabel_freq)])
cat("Modus:", modus_val, "\n")
## Modus: 22 23 24

2. Q1, Q3, dan IQR

# Kuartil
q1 <- quantile(data_ecotrack, 0.25, type = 6)
q3 <- quantile(data_ecotrack, 0.75, type = 6)
cat("Q1:", q1, "\n")
## Q1: 21
cat("Q3:", q3, "\n") 
## Q3: 26
# Interquartile Range (IQR)
iqr_val <- q3 - q1
cat("IQR:", iqr_val, "\n")
## IQR: 5

Ada 50% data di bagian tengah, yaitu di rentang waktu penggunaan aplikasi mayoritas pengguna, berkisar dalam interval waktu 5 menit (antara 21 hingga 26 menit).

3. Varians dan Standar Deviasi

# Varians Sampel
varians_val <- round(var(data_ecotrack), 2)
cat("Varians:", varians_val, "\n")
## Varians: 41.54
# Standar Deviasi Sampel
sd_val <- round(sd(data_ecotrack), 2)
cat("Standar Deviasi:", sd_val, "\n")
## Standar Deviasi: 6.45
#round untuk membulatkan nilai

Data ini tergolong bervariasi tinggi relatif terhadap rentang mayoritas datanya. Hal ini disebabkan karna adanya outlier ekstrem pada data, yaitu pengguna yang mempunyai 45 menit, yang menarik nilai standar deviasi menjadi jauh lebih besar dibanding rentang data lainnya yang berada di angka belasan hingga 30.

4. Koefisien Skewness (Kemencengan)

library(moments)

skewness(data_ecotrack)
## [1] 2.212573

Dari data di atas kemencengan data mengarah ke kanan atau kemencengan positif dengan outlier ekstrem dari data 45 daripada data lain yang relatif belasan hingga pertengahan 20-an