1, Hitung mean, median, dan modus data

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

# Mean

mean_val <- mean(data_ecotrack)
cat("Mean:", mean_val, "\n")
## Mean: 24.6
# Median 

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.Tentukan Q1 dan Q3, lalu interpretasikan IQR-nya

# 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. Hitung 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 oleh adanya outlier ekstrem pada data, yaitu pengguna yang mencatatkan 45 menit, yang menarik nilai standar deviasi menjadi jauh lebih besar dibanding rentang data lainnya yang berada di angka belasan hingga 30.

4. Hitung koefisien skewness Pearson dan tentukan arah kemencengannya

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