data_ecotrack <- c(18, 19, 20, 21, 22, 22, 23, 23, 24, 24, 25, 26, 27, 30, 45)
rata_rata <- mean(data_ecotrack)
nilai_median <- median(data_ecotrack)
hitung_modus <- function(x) {
frekuensi <- table(x)
as.numeric(names(frekuensi)[frekuensi == max(frekuensi)])
}
nilai_modus <- hitung_modus(data_ecotrack)
kuartil <- quantile(
data_ecotrack,
probs = c(0.25, 0.75),
type = 6
)
Q1 <- kuartil[1]
Q3 <- kuartil[2]
IQR_ecotrack <- Q3 - Q1
Q1
## 25%
## 21
Q3
## 75%
## 26
IQR_ecotrack
## 75%
## 5
Sebanyak 50% bagian tengah data penggunaan EcoTrack berada di antara 21 dan 26 menit. Lebar penyebaran bagian tengah tersebut adalah 5 menit.
# Menghitung batas bawah dan batas atas outlier
batas_bawah <- Q1 - 1.5 * IQR_ecotrack
batas_atas <- Q3 + 1.5 * IQR_ecotrack
# Mencari nilai yang berada di luar batas
outlier <- data_ecotrack[
data_ecotrack < batas_bawah |
data_ecotrack > batas_atas
]
batas_bawah
## 25%
## 13.5
batas_atas
## 75%
## 33.5
outlier
## [1] 45
Nilai 45 menit teridentifikasi sebagai outlier karena melewati batas atas 33,5 menit.
# Varians dan standar deviasi sampel
varians_sampel <- var(data_ecotrack)
sd_sampel <- sd(data_ecotrack)
# Koefisien variasi
koefisien_variasi <- (
sd_sampel / mean(data_ecotrack)
) * 100
varians_sampel
## [1] 41.54286
sd_sampel
## [1] 6.445375
koefisien_variasi
## [1] 26.20071
Standar deviasi sebesar 6,45 menit menunjukkan bahwa penggunaan pengguna biasanya menyimpang sekitar 6,45 menit dari rata-rata 24,6 menit. Koefisien variasi sekitar 26,2% menunjukkan penyebaran yang cukup besar.
# Koefisien skewness Pearson kedua
skewness_pearson <- (
3 * (mean(data_ecotrack) - median(data_ecotrack))
) / sd(data_ecotrack)
skewness_pearson
## [1] 0.7447201
Karena hasilnya positif, distribusi menceng ke kanan. Hal ini masuk akal karena terdapat nilai besar 45 menit yang menarik ekor distribusi ke kanan.