1. Hitung Mean, Median dan Modus data

Data aplikasi jejak karbon ‘EcoTrack’ mencatat menit 15 pengguna aktif dalam 1 minggu:

data_ecotrack <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)
mean(data_ecotrack)
## [1] 24.6
median(data_ecotrack)
## [1] 23
modus <- function(x) {
u <- unique(x)
u[which.max(tabulate (match(x, u)))]
}
modus(data_ecotrack)
## [1] 22

Jadi, rata-rata data EcoTrack 24.6, nilai tengahnya 23, dan nilai modusnya 22. Dimana meannya agak melebar ke atas karena data yang bernilai 45 dengan selisih yang masih dekat (1.6). Juga selisih antara median dengan modus yaitu 1 yang masih lumayan dekat dalam menggambarkan data

2. Menentukan Q1 dan Q3 dan menginterpretasikan IQR-nya

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

Rentang interkuartil (IQR) sebesar 5 menit berarti selisih durasi penggunaan harian antara 50% kelompok pengguna di bagian tengah (rentang dari kuartil pertama 21 menit hingga kuartil ketiga 26 menit) adalah 5 menit. Hal ini menunjukkan bahwa separuh dari total pengguna memiliki variasi waktu penggunaan yang relatif dekat dan konsisten satu sama lain.

3. Hitung varians dan standar deviasi

var(data_ecotrack)
## [1] 41.54286
sd(data_ecotrack)
## [1] 6.445375

Data ini tergolong memiliki variasi yang cukup tinggi (moderat cenderung tinggi). Meskipun sebagian besar data berkumpul di kisaran 18 hingga 30 menit, keberadaan nilai ekstrem atau pencilan (outlier) yaitu 45 menit menarik nilai rata-rata dan memperbesar simpangan baku secara signifikan (\(6,45\) menit relatif cukup besar jika dibandingkan dengan rata-rata \(24,6\) menit).

4. Hitung koefisien skewness Pearson dan menentukan arah kemencengannya

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

Hasil koefisien skewness Pearson adalah 2.212573 dan bernilai positif. Artinya arah kemencengannya ke kanan (POSITIF)