# Memasukkan data EcoTrack
ecotrack <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)
# Mengurutkan data (opsional, untuk memudahkan melihat sebaran data)
sort(ecotrack)## [1] 18 19 20 21 22 22 23 23 24 24 25 26 27 30 45Hitung mean, median, dan modus data tersebut secara manual, lalu verifikasi dengan RStudio. (Manual + Rstudio).
Di R, mean() dan median() sudah tersedia secara bawaan. Untuk modus, kita membuat fungsi sederhana karena data ini bersifat multimodal (memiliki lebih dari 1 modus).
# a. Menghitung Mean
mean_eco <- mean(ecotrack)
# b. Menghitung Median
median_eco <- median(ecotrack)
# c. Fungsi Mencari Modus
get_modus <- function(v) {
tabel_frekuensi <- table(v)
modus <- names(tabel_frekuensi)[tabel_frekuensi == max(tabel_frekuensi)]
return(as.numeric(modus))
}
modus_eco <- get_modus(ecotrack)
# Menyusun Ringkasan ke dalam Data Frame
ringkasan_no1 <- data.frame(
Ukuran_Pemusatan = c("Mean (Rata-rata)", "Median (Nilai Tengah)", "Modus (Nilai Sering Muncul)"),
Nilai_Hasil = c(
round(mean_eco, 2),
median_eco,
paste(modus_eco, collapse = ", ")
)
)
# Tampilkan Tabel
knitr::kable(
ringkasan_no1,
col.names = c("Ukuran Pemusatan", "Nilai Hasil"),
caption = "Tabel Ringkasan Pemusatan Data EcoTrack"
)| Ukuran Pemusatan | Nilai Hasil |
|---|---|
| Mean (Rata-rata) | 24.6 |
| Median (Nilai Tengah) | 23 |
| Modus (Nilai Sering Muncul) | 22, 23, 24 |
Interpretasi Hasil Data Mean, Median, dan Modus
Tentukan Q1 dan Q3, lalu interpretasikan IQR-nya dalam konteks kasus ini. (Manual + Rstudio).
# Menentukan Kuartil 1 (Q1) dan Kuartil 3 (Q3)
q1 <- quantile(ecotrack, 0.25, type = 6)
q3 <- quantile(ecotrack, 0.75, type = 6)
# Menghitung IQR (Interquartile Range)
iqr_eco <- q3 - q1
# Menyusun Ringkasan Hasil ke dalam Data Frame
ringkasan_no2 <- data.frame(
Ukuran_Penyebaran = c("Kuartil Bawah (Q1)", "Kuartil Atas (Q3)", "Interquartile Range (IQR)"),
Nilai = c(q1, q3, iqr_eco)
)
# Menampilkan Tabel Rapi
knitr::kable(
ringkasan_no2,
col.names = c("Ukuran Penyebaran Data", "Nilai (Menit)"),
align = c("l", "c"),
caption = "Ringkasan Hasil Perhitungan Kuartil dan IQR EcoTrack"
)| Ukuran Penyebaran Data | Nilai (Menit) |
|---|---|
| Kuartil Bawah (Q1) | 21 |
| Kuartil Atas (Q3) | 26 |
| Interquartile Range (IQR) | 5 |
Interpretasi Hasil Data Q1, Q3, dan IQR
Jangkauan Kuartil (IQR): Nilai IQR sebesar 5 menit didapatkan dari selisih antara Q3 (26 menit) dan Q1 (21 menit).
Makna Praktis: Hal ini menunjukkan bahwa 50% data pengguna di kelompok pertengahan memiliki durasi penggunaan antara 21 hingga 26 menit. Jangkauan yang sempit (hanya selisih 5 menit) ini berarti mayoritas pengguna aktif harian ‘EcoTrack’ memiliki pola kebiasaan yang sangat mirip, stabil, dan seragam.
Hitung varians dan standar deviasi; menurut Anda, apakah data ini tergolong bervariasi tinggi atau rendah? (Manual + Rstudio).
# Menghitung Varians Sampel
varians_eco <- var(ecotrack)
# Menghitung Standar Deviasi Sampel
sd_eco <- sd(ecotrack)
# Menyusun Ringkasan Hasil ke dalam Data Frame
ringkasan_no3 <- data.frame(
Ukuran_Penyebaran = c("Varians", "Standar Deviasi (Simpangan Baku)"),
Nilai = c(round(varians_eco, 2), round(sd_eco, 2))
)
# Menampilkan Tabel Rapi
knitr::kable(
ringkasan_no3,
col.names = c("Ukuran Penyebaran Data", "Nilai Hasil"),
align = c("l", "c"),
caption = "Ringkasan Hasil Perhitungan Varians dan Standar Deviasi EcoTrack"
)| Ukuran Penyebaran Data | Nilai Hasil |
|---|---|
| Varians | 41.54 |
| Standar Deviasi (Simpangan Baku) | 6.45 |
Interpretasi Hasil Data Varians dan Standar Deviasi
Tingkat Variasi Data: Data ini tergolong bervariasi cukup tinggi (heterogen). Kesimpulan ini diambil karena nilai standar deviasi (6,45 menit) terbilang cukup besar jika dibandingkan dengan rata-ratanya (24,6 menit).
Penyebab & Makna Praktis: Tingginya variasi ini utamanya disebabkan oleh adanya outlier (pencilan), yaitu satu pengguna ekstrem dengan durasi 45 menit. Hal ini menunjukkan adanya kesenjangan waktu yang mencolok antara pengguna biasa dengan segelintir pengguna yang sangat aktif.
Hitung koefisien skewness Pearson dan tentukan arah kemencengannya; verifikasi dengan fungsi skewness() di R. (Rstudio).
# Menghitung Skewness Pearson secara manual di R
skew_pearson <- 3 * (mean_eco - median_eco) / sd_eco
# Verifikasi dengan fungsi skewness() dari package e1071
skew_verifikasi <- skewness(ecotrack)
# Menyusun Ringkasan Hasil ke dalam Data Frame
ringkasan_no4 <- data.frame(
Metode_Perhitungan = c("Skewness Pearson (Manual)", "Skewness (Package e1071)"),
Nilai_Skewness = c(round(skew_pearson, 4), round(skew_verifikasi, 4))
)
# Menampilkan Tabel Rapi
knitr::kable(
ringkasan_no4,
col.names = c("Metode Perhitungan", "Nilai Koefisien"),
align = c("l", "c"),
caption = "Ringkasan Hasil Perhitungan Koefisien Skewness EcoTrack"
)| Metode Perhitungan | Nilai Koefisien |
|---|---|
| Skewness Pearson (Manual) | 0.7447 |
| Skewness (Package e1071) | 1.9950 |
Iterpretasi Hasil Data Koefisien Swekness Pearson
Arah Kemencengan: Nilai koefisien skewness bernilai positif (sejalan dengan kondisi Mean > Median). Ini menunjukkan bahwa kurva distribusi data menceng ke kanan (Positively Skewed / Right-Skewed).
Makna Praktis: Mayoritas pengguna sebenarnya menghabiskan waktu di bawah rata-rata (mengelompok di durasi yang lebih singkat, yaitu 18–24 menit). Namun, keberadaan segelintir minoritas pengguna ekstrem (seperti 30 dan 45 menit) menarik rata-rata menjadi lebih tinggi dan membentuk ekor panjang di sebelah kanan kurva.