DATA

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

1. Menghitung Mean,Median,Modus.

mean(data)
## [1] 24.6
median(data)
## [1] 23
modus <- function(x) {
  frekuensi <- table(x)
  frekuensi_maks <- max(frekuensi)
  as.numeric(names(frekuensi[frekuensi == frekuensi_maks]))
}

modus(data)
## [1] 22 23 24

2. Menentukan Q1,Q3,dan interpretasikan IQR-nya.

quantile(data, type = 1)
##   0%  25%  50%  75% 100% 
##   18   21   23   26   45

Q1

Q1 <- quantile(data, 0.25, type = 1)
Q1
## 25% 
##  21

Q3

Q3 <- quantile(data, 0.75, type = 1)
Q3
## 75% 
##  26

IQR

IQR_data <- IQR(data, type = 1)
IQR_data
## [1] 5

Interpretasi

Berdasarkan hasil perhitungan, diperoleh Q1 = 21, Q3 = 26, dan IQR = 5 menit. Hal ini berarti 50% data penggunaan harian pengguna EcoTrack berada di antara 21 dan 26 menit. Rentang tersebut menunjukkan bahwa data pada bagian tengah memiliki penyebaran sebesar 5 menit, sedangkan nilai 45 menit menunjukkan adanya data yang relatif jauh dari kelompok utama.

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

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

Menurut saya, data ini tergolong bervariasi tinggi karena standar deviasi mencapai sekitar 6,45 menit dari rata-rata 24,6 menit.

4. Menghitung koefisien skewness Pearson dan tentukan arah kemencengannya; verifikasi dengan fungsi skewness()di R.

mean_data <- mean(data)
median_data <- median(data)
sd_data <- sd(data)

skewness_pearson <- 3 * (mean_data - median_data) / sd_data

skewness_pearson
## [1] 0.7447201

Karena nilainya positif, arah kemencengannya adalah menceng ke kanan.

library(moments)

skewness(data)
## [1] 2.212573