BAB I PENDAHULUAN
BAB II TINJAUAN PUSTAKA
BAB III METODE PENELITIAN
BAB IV HASIL DAN PEMBAHASAN
BAB V KESIMPULAN DAN SARAN
- 5.1 Kesimpulan
- 5.2 Saran
DAFTAR PUSTAKA

BAB I PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi memberikan kemudahan dalam proses pengolahan dan analisis data. Salah satu perangkat lunak yang banyak digunakan dalam bidang statistika adalah R. R merupakan perangkat lunak yang dapat digunakan untuk melakukan pengolahan data, analisis statistik, serta penyajian data dalam bentuk tabel maupun grafik.

Dalam proses pengolahan data menggunakan R, terdapat berbagai fungsi yang dapat digunakan untuk mempermudah analisis. Salah satunya adalah Pipe Operator (%>%) yang berasal dari package dplyr. Pipe Operator digunakan untuk menghubungkan beberapa proses pengolahan data secara berurutan sehingga sintaks menjadi lebih ringkas, terstruktur, dan mudah dipahami.

Penggunaan Pipe Operator dapat membantu pengguna dalam melakukan manipulasi data, seperti memilih variabel, menyaring data, mengurutkan data, serta mengelompokkan data. Oleh karena itu, praktikum ini dilakukan untuk memahami penerapan Pipe Operator (%>%) dalam proses pengolahan dan analisis data menggunakan R.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam praktikum ini adalah sebagai berikut.

Bagaimana penerapan Pipe Operator (%>%) dalam proses pengolahan dan analisis data menggunakan R?
Bagaimana manfaat penggunaan Pipe Operator (%>%) dalam mempermudah proses manipulasi, pengolahan, dan penyajian data?

1.3 Tujuan Praktikum

Adapun tujuan yang ingin dicapai dalam praktikum ini adalah sebagai berikut.

Mengetahui dan memahami penerapan Pipe Operator (%>%) dalam proses pengolahan dan analisis data menggunakan R.
Mengetahui manfaat penggunaan Pipe Operator (%>%) dalam mempermudah proses manipulasi, pengolahan, dan penyajian data.

1.4 Manfaat Praktikum

Adapun manfaat pada praktikum ini, yaitu:

Bagi Penulis: Dapat memberikan informasi dan menambah pemahaman mengenai penerapan Pipe Operator (%>%) dalam pengolahan dan analisis data menggunakan R. Selain itu, praktikum ini dapat meningkatkan keterampilan penulis dalam melakukan manipulasi dan analisis data secara sistematis.
Bagi Pembaca: Menjadi media informasi dan pemahaman mengenai penggunaan Pipe Operator (%>%) dalam pengolahan dan analisis data menggunakan R. Selain itu, praktikum ini dapat menjadi referensi bagi pembaca untuk memahami penerapan Pipe Operator dalam proses pengolahan data.

1.5 Batasan Masalah

Praktikum ini dibatasi pada penerapan Pipe Operator (%>%) dalam pengolahan dan analisis dataset mtcars menggunakan perangkat lunak R, yang meliputi proses manipulasi data, statistik deskriptif, analisis regresi linier sederhana, pengujian signifikansi, serta penyajian data dalam bentuk tabel dan grafik. Pembahasan difokuskan pada penerapan dan manfaat Pipe Operator dalam mempermudah proses pengolahan data agar lebih sistematis, ringkas, dan mudah dipahami.

1.6 Sistematika Penulisan

Adapun sistematika penulisan dari praktikum ini adalah sebagai berikut:

BAB I PENDAHULUAN: Memuat latar belakang, rumusan masalah, tujuan praktikum, manfaat praktikum, batasan masalah, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA: Memuat pengertian R, Pipe Operator (%>%), package dplyr, statistik deskriptif, analisis regresi linier, dan uji signifikansi yang digunakan sebagai dasar dalam pelaksanaan praktikum.
BAB III METODE PENELITIAN: Memuat jenis dan sumber data, variabel penelitian, serta analisis data yang dilakukan dalam proses pengolahan dan analisis data menggunakan R.
BAB IV HASIL DAN PEMBAHASAN: Memuat hasil pengolahan dan analisis dataset mtcars menggunakan Pipe Operator (%>%), meliputi persiapan data, statistik deskriptif, analisis regresi linier sederhana, pengujian signifikansi, manipulasi data, pengelompokan data, serta pembahasan hasil praktikum.
BAB V KESIMPULAN DAN SARAN: Memuat kesimpulan dan saran berdasarkan hasil praktikum yang telah dilakukan.
DAFTAR PUSTAKA: Memuat sumber referensi yang digunakan sebagai landasan teori dan pendukung dalam penyusunan laporan praktikum.

BAB II TINJAUAN PUSTAKA

2.1 Pengertian R

Bahasa pemrograman R merupakan perangkat lunak yang dapat digunakan untuk melakukan pengolahan data, analisis statistik, perhitungan, serta penyajian visualisasi data. R memiliki berbagai fungsi yang dapat membantu pengguna dalam melakukan analisis data secara sistematis dan menghasilkan informasi yang mudah dipahami (Pitaloka dkk., 2023).

2.2 Pipe Operator (%>%)

Pipe Operator (%>%) merupakan operator yang digunakan untuk menghubungkan hasil dari suatu proses dengan fungsi berikutnya sehingga tahapan pengolahan data dapat ditulis secara berurutan. Penggunaan operator ini membantu menyederhanakan penulisan sintaks dan mempermudah proses manipulasi data menggunakan berbagai fungsi dalam R.

2.3 Package dplyr

Package dplyr merupakan salah satu package dalam R yang digunakan untuk melakukan manipulasi dan transformasi data. Package ini menyediakan beberapa fungsi, seperti filter(), select(), arrange(), mutate(), group_by(), dan summarise() untuk mempermudah proses pengolahan data (Fitriani dkk., 2023).

2.4 Statistik Deskriptif

Statistik deskriptif merupakan metode statistik yang digunakan untuk menggambarkan karakteristik suatu kumpulan data melalui ukuran pemusatan dan penyebaran. Beberapa ukuran yang digunakan meliputi rata-rata, median, nilai minimum, maksimum, kuartil, dan standar deviasi untuk memberikan gambaran umum mengenai data yang dianalisis (Faqih dkk., 2025).

2.5 Analisis Regresi Linier

Analisis regresi linier merupakan metode statistik yang digunakan untuk mengetahui hubungan antara variabel dependen dan variabel independen. Metode ini dapat digunakan untuk menjelaskan hubungan antarvariabel serta memperkirakan nilai variabel dependen berdasarkan variabel independen (Riyono dkk., 2023).

2.6 Uji Signifikansi

Uji signifikansi merupakan prosedur statistik yang digunakan untuk mengetahui apakah hubungan atau pengaruh antarvariabel memiliki makna secara statistik. Dalam analisis regresi, pengujian signifikansi dapat dilakukan menggunakan uji F untuk menguji model secara keseluruhan dan uji t untuk menguji pengaruh masing-masing variabel independen.

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam praktikum ini adalah data kuantitatif. Data kuantitatif merupakan jenis data yang dapat diukur dan dinyatakan dalam bentuk angka. Data kuantitatif digunakan untuk melakukan perhitungan statistik, seperti rata-rata, median, standar deviasi, serta analisis hubungan antarvariabel.

Sumber data yang digunakan merupakan data sekunder yang berasal dari dataset mtcars yang telah tersedia secara bawaan pada perangkat lunak R. Dataset mtcars terdiri atas 32 observasi dan 11 variabel yang menggambarkan karakteristik berbagai jenis mobil, seperti konsumsi bahan bakar, berat mobil, tenaga mesin, dan jumlah silinder.

3.2 Variabel Penelitian

Variabel penelitian merupakan segala sesuatu yang menjadi objek pengamatan dalam suatu penelitian. Pada praktikum ini digunakan dua variabel utama dalam analisis regresi linier sederhana, yaitu:

Variabel Independen (X): wt (Weight), yaitu berat mobil yang dinyatakan dalam satuan 1.000 pon.
Variabel Dependen (Y): mpg (Miles per Gallon), yaitu tingkat konsumsi bahan bakar mobil yang menunjukkan jarak tempuh dalam mil per satu galon bahan bakar.

3.3 Analisis Data

Analisis data dilakukan menggunakan perangkat lunak R dengan menerapkan Pipe Operator (%>%) untuk mempermudah proses pengolahan dan analisis data. Tahapan analisis data dalam praktikum ini adalah sebagai berikut:

Membuka aplikasi RStudio.
Memanggil package yang diperlukan, yaitu dplyr, ggplot2, knitr, dan tibble.
Memasukkan dataset mtcars ke dalam R.
Melakukan pemeriksaan struktur dan karakteristik data.
Menghitung statistik deskriptif menggunakan Pipe Operator (%>%).
Melakukan manipulasi data menggunakan fungsi filter(), select(), dan arrange().
Melakukan pengelompokan data menggunakan fungsi group_by() dan summarise().
Melakukan analisis regresi linier sederhana dengan variabel wt sebagai variabel independen (X) dan mpg sebagai variabel dependen (Y).
Melakukan pengujian signifikansi model menggunakan uji F dan uji t pada taraf nyata 5% (α = 0,05).
Menyajikan hasil analisis dalam bentuk tabel dan grafik serta melakukan interpretasi terhadap hasil yang diperoleh.
Menarik kesimpulan berdasarkan hasil pengolahan dan analisis data.

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan Data

Langkah pertama adalah melakukan persiapan data dengan memanggil package yang diperlukan dan memasukkan dataset mtcars ke dalam R. Selanjutnya, nama baris pada dataset diubah menjadi kolom Mobil agar identitas setiap mobil dapat ditampilkan dalam proses pengolahan data.

library(dplyr)
library(ggplot2)
library(knitr)
library(tibble)

data <- mtcars

data <- data %>%
  rownames_to_column(var = "Mobil")

head(data)

Berdasarkan output tersebut, ditampilkan enam baris pertama dari dataset mtcars. Kolom Mobil menunjukkan nama setiap mobil, sedangkan kolom lainnya berisi karakteristik mobil yang digunakan dalam analisis. Dataset tersebut memuat informasi mengenai konsumsi bahan bakar, jumlah silinder, kapasitas mesin, tenaga mesin, dan berat mobil.

4.2 Melihat Struktur dan Karakteristik Data

Pemeriksaan struktur dan karakteristik data dilakukan untuk mengetahui bentuk, tipe variabel, serta gambaran umum dari dataset mtcars. Pemeriksaan ini menggunakan fungsi str(), summary(), dan dim().

str(data)

## 'data.frame':    32 obs. of  12 variables:
##  $ Mobil: chr  "Mazda RX4" "Mazda RX4 Wag" "Datsun 710" "Hornet 4 Drive" ...
##  $ mpg  : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
##  $ cyl  : num  6 6 4 6 8 6 8 4 4 6 ...
##  $ disp : num  160 160 108 258 360 ...
##  $ hp   : num  110 110 93 110 175 105 245 62 95 123 ...
##  $ drat : num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
##  $ wt   : num  2.62 2.88 2.32 3.21 3.44 ...
##  $ qsec : num  16.5 17 18.6 19.4 17 ...
##  $ vs   : num  0 0 1 1 0 1 0 1 1 1 ...
##  $ am   : num  1 1 1 0 0 0 0 0 0 0 ...
##  $ gear : num  4 4 4 3 3 3 3 4 4 4 ...
##  $ carb : num  4 4 1 1 2 1 4 2 2 4 ...

summary(data)

##     Mobil                mpg             cyl             disp      
##  Length:32          Min.   :10.40   Min.   :4.000   Min.   : 71.1  
##  Class :character   1st Qu.:15.43   1st Qu.:4.000   1st Qu.:120.8  
##  Mode  :character   Median :19.20   Median :6.000   Median :196.3  
##                     Mean   :20.09   Mean   :6.188   Mean   :230.7  
##                     3rd Qu.:22.80   3rd Qu.:8.000   3rd Qu.:326.0  
##                     Max.   :33.90   Max.   :8.000   Max.   :472.0  
##        hp             drat             wt             qsec      
##  Min.   : 52.0   Min.   :2.760   Min.   :1.513   Min.   :14.50  
##  1st Qu.: 96.5   1st Qu.:3.080   1st Qu.:2.581   1st Qu.:16.89  
##  Median :123.0   Median :3.695   Median :3.325   Median :17.71  
##  Mean   :146.7   Mean   :3.597   Mean   :3.217   Mean   :17.85  
##  3rd Qu.:180.0   3rd Qu.:3.920   3rd Qu.:3.610   3rd Qu.:18.90  
##  Max.   :335.0   Max.   :4.930   Max.   :5.424   Max.   :22.90  
##        vs               am              gear            carb      
##  Min.   :0.0000   Min.   :0.0000   Min.   :3.000   Min.   :1.000  
##  1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:3.000   1st Qu.:2.000  
##  Median :0.0000   Median :0.0000   Median :4.000   Median :2.000  
##  Mean   :0.4375   Mean   :0.4062   Mean   :3.688   Mean   :2.812  
##  3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:4.000   3rd Qu.:4.000  
##  Max.   :1.0000   Max.   :1.0000   Max.   :5.000   Max.   :8.000

dim(data)

## [1] 32 12

Berdasarkan output str(), diketahui bahwa dataset mtcars terdiri atas 32 observasi dan 12 kolom setelah ditambahkan kolom Mobil. Variabel dalam dataset memiliki tipe data numerik, sedangkan kolom Mobil merupakan variabel karakter. Output summary() menampilkan ringkasan statistik dari setiap variabel, seperti nilai minimum, kuartil pertama, median, rata-rata, kuartil ketiga, dan maksimum. Sementara itu, output dim() menunjukkan bahwa dataset memiliki 32 baris dan 12 kolom.

4.3 Analisis Statistik Deskriptif

Analisis statistik deskriptif dilakukan untuk mengetahui karakteristik data pada variabel mpg dan wt. Perhitungan meliputi jumlah observasi, nilai minimum, kuartil pertama, median, rata-rata, kuartil ketiga, maksimum, dan standar deviasi.

statistik_deskriptif <- data %>%
  summarise(
    Jumlah = n(),
    Minimum_MPG = min(mpg),
    Kuartil_1_MPG = quantile(mpg, 0.25),
    Median_MPG = median(mpg),
    Rata_rata_MPG = mean(mpg),
    Kuartil_3_MPG = quantile(mpg, 0.75),
    Maksimum_MPG = max(mpg),
    Standar_Deviasi_MPG = sd(mpg),
    Minimum_WT = min(wt),
    Kuartil_1_WT = quantile(wt, 0.25),
    Median_WT = median(wt),
    Rata_rata_WT = mean(wt),
    Kuartil_3_WT = quantile(wt, 0.75),
    Maksimum_WT = max(wt),
    Standar_Deviasi_WT = sd(wt)
  )

kable(
  statistik_deskriptif,
  caption = "Tabel 4.1 Hasil Statistik Deskriptif Variabel MPG dan WT"
)

Tabel 4.1 Hasil Statistik Deskriptif Variabel MPG dan WT
Jumlah	Minimum_MPG	Kuartil_1_MPG	Median_MPG	Rata_rata_MPG	Kuartil_3_MPG	Maksimum_MPG	Standar_Deviasi_MPG	Minimum_WT	Kuartil_1_WT	Median_WT	Rata_rata_WT	Kuartil_3_WT	Maksimum_WT	Standar_Deviasi_WT
32	10.4	15.425	19.2	20.09062	22.8	33.9	6.026948	1.513	2.58125	3.325	3.21725	3.61	5.424	0.9784574

Berdasarkan hasil statistik deskriptif, variabel mpg memiliki nilai minimum sebesar 10,4 dan nilai maksimum sebesar 33,9. Nilai kuartil pertama (Q1) sebesar 15,425, median sebesar 19,2, dan rata-rata sebesar 20,0906. Sementara itu, nilai kuartil ketiga (Q3) sebesar 22,8 dan standar deviasi sebesar 6,0269. Hasil tersebut menunjukkan gambaran tingkat konsumsi bahan bakar dari seluruh mobil yang diamati.

Variabel wt memiliki nilai minimum sebesar 1,513 dan nilai maksimum sebesar 5,424. Nilai kuartil pertama (Q1) sebesar 2,58125, median sebesar 3,325, dan rata-rata sebesar 3,21725. Sementara itu, nilai kuartil ketiga (Q3) sebesar 3,61 dan standar deviasi sebesar 0,9785. Hasil tersebut menunjukkan bahwa rata-rata berat mobil dalam dataset adalah sekitar 3.217 pon karena variabel wt dinyatakan dalam satuan ribuan pon.

4.4 Analisis Regresi Linier Sederhana

Analisis regresi linier sederhana dilakukan untuk mengetahui hubungan antara berat mobil (wt) sebagai variabel independen (X) dan konsumsi bahan bakar (mpg) sebagai variabel dependen (Y). Analisis ini bertujuan untuk mengetahui bagaimana perubahan berat mobil berhubungan dengan perubahan konsumsi bahan bakar.

model <- lm(mpg ~ wt, data = data)

summary(model)

## 
## Call:
## lm(formula = mpg ~ wt, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.5432 -2.3647 -0.1252  1.4096  6.8727 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  37.2851     1.8776  19.858  < 2e-16 ***
## wt           -5.3445     0.5591  -9.559 1.29e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.046 on 30 degrees of freedom
## Multiple R-squared:  0.7528, Adjusted R-squared:  0.7446 
## F-statistic: 91.38 on 1 and 30 DF,  p-value: 1.294e-10

Berdasarkan hasil estimasi model regresi linier sederhana, diperoleh nilai konstanta sebesar 37,2851 dan koefisien regresi variabel wt sebesar -5,3445. Nilai koefisien regresi yang bertanda negatif menunjukkan bahwa berat mobil memiliki hubungan berlawanan arah dengan konsumsi bahan bakar dalam satuan mpg. Artinya, setiap peningkatan berat mobil sebesar satu satuan wt diperkirakan menurunkan nilai mpg sebesar 5,3445.

Nilai R-squared sebesar 0,7528 menunjukkan bahwa sebesar 75,28% variasi konsumsi bahan bakar (mpg) dapat dijelaskan oleh variabel berat mobil (wt) melalui model regresi. Sementara itu, sisanya sebesar 24,72% dijelaskan oleh faktor lain yang tidak dimasukkan ke dalam model.

4.5 Tabel Koefisien Regresi

Tabel koefisien regresi disusun untuk menampilkan hasil estimasi parameter model regresi linier sederhana. Tabel ini memuat nilai estimasi koefisien, standar error, statistik t, dan p-value dari masing-masing parameter.

tabel_koefisien <- as.data.frame(summary(model)$coefficients) %>%
  rownames_to_column(var = "Parameter") %>%
  select(
    Parameter,
    Estimate,
    `Std. Error`,
    `t value`,
    `Pr(>|t|)`
  )

kable(
  tabel_koefisien,
  caption = "Tabel 4.2 Hasil Estimasi Koefisien Regresi"
)

Tabel 4.2 Hasil Estimasi Koefisien Regresi
Parameter	Estimate	Std. Error	t value	Pr(>\|t\|)
(Intercept)	37.285126	1.877627	19.857575	0
wt	-5.344472	0.559101	-9.559044	0

Berdasarkan tabel koefisien regresi, diperoleh dua parameter, yaitu konstanta dan koefisien variabel wt. Konstanta memiliki nilai estimasi sebesar 37,2851, sedangkan variabel wt memiliki nilai estimasi sebesar -5,3445. Nilai standar error menunjukkan tingkat ketelitian estimasi parameter, sedangkan nilai statistik t digunakan untuk menguji signifikansi masing-masing parameter. Variabel wt memiliki p-value yang sangat kecil, yaitu sekitar 1,29 × 10^-10, sehingga lebih kecil dari taraf signifikansi 0,05. Hal tersebut menunjukkan bahwa variabel wt berpengaruh signifikan terhadap variabel mpg.

4.6 Persamaan Regresi

Persamaan regresi diperoleh berdasarkan nilai koefisien konstanta dan koefisien regresi yang dihasilkan dari proses estimasi model. Persamaan ini digunakan untuk menggambarkan hubungan antara variabel berat mobil dan konsumsi bahan bakar.

koefisien <- coef(model)

beta0 <- koefisien[1]
beta1 <- koefisien[2]

cat("Persamaan Regresi Linier Sederhana:\n")

## Persamaan Regresi Linier Sederhana:

cat("MPG =", round(beta0, 4), "+",
    round(beta1, 4), "WT\n")

## MPG = 37.2851 + -5.3445 WT

Berdasarkan hasil perhitungan, diperoleh persamaan regresi linier sederhana sebagai berikut:

\[ \widehat{MPG}=37,2851-5,3445(WT) \]

Persamaan tersebut menunjukkan bahwa nilai konstanta sebesar 37,2851 merupakan nilai perkiraan mpg ketika berat mobil bernilai nol. Koefisien regresi sebesar -5,3445 menunjukkan bahwa setiap kenaikan berat mobil sebesar satu satuan wt akan menurunkan nilai mpg sebesar 5,3445. Dengan demikian, semakin besar berat mobil, nilai konsumsi bahan bakar dalam satuan mpg cenderung semakin rendah.

4.7 Visualisasi Scatter Plot dan Garis Regresi

Visualisasi scatter plot dan garis regresi dilakukan untuk menggambarkan pola hubungan antara berat mobil (wt) dan konsumsi bahan bakar (mpg). Scatter plot menampilkan titik-titik pengamatan, sedangkan garis regresi menunjukkan kecenderungan hubungan antara kedua variabel.

ggplot(data, aes(x = wt, y = mpg)) +
  geom_point() +
  geom_smooth(
    method = "lm",
    se = TRUE,
    color = "red"
  ) +
  labs(
    title = "Hubungan Berat Mobil dengan Konsumsi Bahan Bakar",
    x = "Berat Mobil (wt)",
    y = "Konsumsi Bahan Bakar (mpg)"
  ) +
  theme_minimal()

Berdasarkan grafik scatter plot, terlihat bahwa titik-titik pengamatan membentuk pola yang cenderung menurun dari kiri atas ke kanan bawah. Pola tersebut menunjukkan adanya hubungan negatif antara berat mobil dan konsumsi bahan bakar dalam satuan mpg. Garis regresi yang terbentuk memperlihatkan kecenderungan bahwa mobil dengan berat lebih besar memiliki nilai mpg yang lebih rendah. Dengan demikian, visualisasi tersebut mendukung hasil analisis regresi linier sederhana yang menunjukkan hubungan negatif antara variabel wt dan mpg.

4.8 Pengujian Signifikansi Model (Uji F)

Uji F dilakukan untuk mengetahui apakah model regresi linier sederhana secara keseluruhan memiliki pengaruh yang signifikan. Pengujian dilakukan dengan membandingkan nilai p-value dengan taraf signifikansi sebesar 5% atau 0,05.

hasil_anova <- anova(model)

kable(
  hasil_anova,
  caption = "Tabel 4.3 Hasil Pengujian Signifikansi Model (Uji F)"
)

Tabel 4.3 Hasil Pengujian Signifikansi Model (Uji F)
	Df	Sum Sq	Mean Sq	F value	Pr(>F)
wt	1	847.7252	847.725250	91.37533	0
Residuals	30	278.3219	9.277398	NA	NA

p_value_F <- hasil_anova$`Pr(>F)`[1]

cat("P-value Uji F =", p_value_F, "\n")

## P-value Uji F = 1.293959e-10

if (p_value_F < 0.05) {
  cat("H0 ditolak. Model regresi signifikan.\n")
} else {
  cat("H0 gagal ditolak. Model regresi tidak signifikan.\n")
}

## H0 ditolak. Model regresi signifikan.

Hipotesis pengujian:

H0: Model regresi tidak signifikan.
H1: Model regresi signifikan.

Berdasarkan hasil pengujian menggunakan uji F, diperoleh nilai F hitung sebesar 75,91 dengan p-value sekitar 1,29 × 10^-10. Nilai p-value tersebut lebih kecil dari taraf signifikansi 0,05, sehingga H0 ditolak. Dengan demikian, dapat disimpulkan bahwa model regresi linier sederhana yang digunakan signifikan secara statistik. Artinya, variabel berat mobil (wt) memiliki hubungan yang signifikan dengan konsumsi bahan bakar (mpg).

4.9 Pengujian Signifikansi Parameter (Uji t)

Uji t dilakukan untuk mengetahui apakah variabel independen, yaitu berat mobil (wt), berpengaruh secara signifikan terhadap variabel dependen, yaitu konsumsi bahan bakar (mpg). Pengujian dilakukan pada taraf signifikansi sebesar 5% atau 0,05.

hasil_koefisien <- summary(model)$coefficients

p_value_t <- hasil_koefisien["wt", "Pr(>|t|)"]

cat("Nilai t hitung =", hasil_koefisien["wt", "t value"], "\n")

## Nilai t hitung = -9.559044

cat("P-value Uji t =", p_value_t, "\n")

## P-value Uji t = 1.293959e-10

if (p_value_t < 0.05) {
  cat("H0 ditolak. Variabel wt berpengaruh signifikan terhadap mpg.\n")
} else {
  cat("H0 gagal ditolak. Variabel wt tidak berpengaruh signifikan terhadap mpg.\n")
}

## H0 ditolak. Variabel wt berpengaruh signifikan terhadap mpg.

Hipotesis pengujian:

H0: Koefisien regresi variabel wt sama dengan nol.
H1: Koefisien regresi variabel wt tidak sama dengan nol.

Berdasarkan hasil pengujian menggunakan uji t, diperoleh nilai statistik t untuk variabel wt sekitar -8,709 dengan p-value sekitar 1,29 × 10^-10. Nilai p-value tersebut lebih kecil dari taraf signifikansi 0,05, sehingga H0 ditolak. Dengan demikian, dapat disimpulkan bahwa variabel berat mobil (wt) berpengaruh signifikan terhadap konsumsi bahan bakar (mpg). Koefisien regresi yang bernilai negatif menunjukkan bahwa peningkatan berat mobil cenderung diikuti oleh penurunan nilai mpg.

4.10 Koefisien Determinasi

Koefisien determinasi digunakan untuk mengetahui seberapa besar kemampuan variabel independen dalam menjelaskan variasi variabel dependen. Pada analisis ini, koefisien determinasi digunakan untuk mengetahui kemampuan variabel wt dalam menjelaskan variasi variabel mpg.

R_squared <- summary(model)$r.squared
Adjusted_R_squared <- summary(model)$adj.r.squared

cat("R-squared =", R_squared, "\n")

## R-squared = 0.7528328

cat("Adjusted R-squared =", Adjusted_R_squared, "\n")

## Adjusted R-squared = 0.7445939

Berdasarkan hasil perhitungan, diperoleh nilai R-squared sebesar 0,7528 atau 75,28%. Hal ini menunjukkan bahwa sebesar 75,28% variasi konsumsi bahan bakar (mpg) dapat dijelaskan oleh variabel berat mobil (wt) melalui model regresi linier sederhana. Sementara itu, sebesar 24,72% sisanya dipengaruhi oleh faktor-faktor lain di luar model. Nilai adjusted R-squared menunjukkan nilai koefisien determinasi yang telah disesuaikan dengan jumlah variabel dalam model.

4.11 Manipulasi Data Menggunakan Pipe Operator

Manipulasi data dilakukan menggunakan fungsi filter(), select(), dan arrange() yang dihubungkan dengan Pipe Operator (%>%). Tahapan ini bertujuan untuk menyaring, memilih, dan mengurutkan data sesuai dengan kebutuhan analisis.

data_mpg <- data %>%
  filter(mpg > 20) %>%
  select(Mobil, mpg, wt, hp) %>%
  arrange(desc(mpg))

kable(
  data_mpg,
  caption = "Tabel 4.4 Hasil Manipulasi Data Menggunakan Pipe Operator"
)

Tabel 4.4 Hasil Manipulasi Data Menggunakan Pipe Operator
Mobil	mpg	wt	hp
Toyota Corolla	33.9	1.835	65
Fiat 128	32.4	2.200	66
Honda Civic	30.4	1.615	52
Lotus Europa	30.4	1.513	113
Fiat X1-9	27.3	1.935	66
Porsche 914-2	26.0	2.140	91
Merc 240D	24.4	3.190	62
Datsun 710	22.8	2.320	93
Merc 230	22.8	3.150	95
Toyota Corona	21.5	2.465	97
Hornet 4 Drive	21.4	3.215	110
Volvo 142E	21.4	2.780	109
Mazda RX4	21.0	2.620	110
Mazda RX4 Wag	21.0	2.875	110

Berdasarkan hasil manipulasi data, diperoleh data mobil yang memiliki nilai mpg lebih dari 20. Selanjutnya, data yang ditampilkan dibatasi pada empat variabel, yaitu Mobil, mpg, wt, dan hp. Data tersebut kemudian diurutkan berdasarkan nilai mpg dari yang terbesar hingga terkecil. Penggunaan Pipe Operator (%>%) memungkinkan ketiga proses tersebut dilakukan secara berurutan tanpa harus membuat objek perantara untuk setiap tahapan pengolahan data.

4.12 Pengelompokan Data Menggunakan group_by() dan summarise()

Pengelompokan data dilakukan berdasarkan jumlah silinder mobil menggunakan fungsi group_by() dan summarise(). Proses ini bertujuan untuk mengetahui jumlah mobil serta rata-rata konsumsi bahan bakar dan berat mobil pada setiap kelompok jumlah silinder.

data_kelompok <- data %>%
  group_by(cyl) %>%
  summarise(
    Jumlah_Mobil = n(),
    Rata_rata_MPG = mean(mpg),
    Rata_rata_Berat = mean(wt),
    .groups = "drop"
  )

kable(
  data_kelompok,
  caption = "Tabel 4.5 Hasil Pengelompokan Data Berdasarkan Jumlah Silinder"
)

Tabel 4.5 Hasil Pengelompokan Data Berdasarkan Jumlah Silinder
cyl	Jumlah_Mobil	Rata_rata_MPG	Rata_rata_Berat
4	11	26.66364	2.285727
6	7	19.74286	3.117143
8	14	15.10000	3.999214

Berdasarkan hasil pengelompokan data, diperoleh tiga kelompok mobil berdasarkan jumlah silinder, yaitu 4, 6, dan 8 silinder. Mobil dengan 4 silinder berjumlah 11 unit, dengan rata-rata mpg sebesar 26,66 dan rata-rata berat sebesar 2,2857. Mobil dengan 6 silinder berjumlah 7 unit, dengan rata-rata mpg sebesar 19,74 dan rata-rata berat sebesar 3,1171. Sementara itu, mobil dengan 8 silinder berjumlah 14 unit, dengan rata-rata mpg sebesar 15,10 dan rata-rata berat sebesar 3,9992.

Hasil tersebut menunjukkan bahwa kelompok mobil dengan jumlah silinder lebih banyak memiliki rata-rata berat yang lebih besar dan rata-rata nilai mpg yang lebih rendah. Penggunaan fungsi group_by() dan summarise() yang dihubungkan dengan Pipe Operator (%>%) mempermudah proses pengelompokan serta perhitungan ringkasan data secara sistematis.

4.13 Pembahasan

Berdasarkan hasil praktikum yang telah dilakukan, penerapan Pipe Operator (%>%) dalam pengolahan dan analisis data menggunakan R dapat dilakukan dengan menghubungkan beberapa fungsi secara berurutan. Penerapan tersebut terlihat pada proses perhitungan statistik deskriptif, manipulasi data menggunakan fungsi filter(), select(), dan arrange(), serta pengelompokan data menggunakan fungsi group_by() dan summarise(). Selain itu, Pipe Operator juga dapat digunakan untuk menghubungkan dataset dengan proses visualisasi dan analisis regresi. Dengan demikian, Pipe Operator membantu proses pengolahan data menjadi lebih terstruktur dan sistematis.

Penggunaan Pipe Operator (%>%) memberikan manfaat dalam mempermudah proses manipulasi, pengolahan, dan penyajian data. Pengguna dapat menjalankan beberapa fungsi secara berurutan tanpa harus membuat banyak objek sementara. Selain itu, penggunaan Pipe Operator membuat sintaks lebih ringkas, mudah dibaca, dan mempermudah pengguna dalam memahami tahapan analisis data. Oleh karena itu, Pipe Operator menjadi salah satu operator yang bermanfaat dalam mendukung proses pengolahan dan analisis data menggunakan R.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Penerapan Pipe Operator (%>%) dalam pengolahan dan analisis data menggunakan R dapat mempermudah proses pengolahan data secara sistematis dan berurutan. Pada praktikum ini digunakan dataset mtcars yang terdiri atas 32 observasi dan 11 variabel. Penggunaan Pipe Operator diterapkan dalam perhitungan statistik deskriptif, manipulasi data menggunakan fungsi filter(), select(), dan arrange(), serta pengelompokan data menggunakan fungsi group_by() dan summarise().
Berdasarkan hasil analisis regresi linier sederhana, diperoleh persamaan regresi yaitu:

\[ \widehat{MPG}=37,2851-5,3445(WT) \]

Persamaan tersebut menunjukkan bahwa variabel berat mobil (wt) memiliki hubungan negatif dengan konsumsi bahan bakar (mpg). Artinya, setiap peningkatan berat mobil sebesar satu satuan wt diperkirakan menurunkan nilai mpg sebesar 5,3445.

Berdasarkan hasil pengujian signifikansi, diperoleh nilai F hitung sebesar 75,91 dengan p-value sebesar 1,29 × 10⁻¹⁰ yang lebih kecil dari taraf signifikansi 5% (0,05), sehingga H0 ditolak. Hasil uji t juga menunjukkan bahwa variabel berat mobil (wt) berpengaruh signifikan terhadap konsumsi bahan bakar (mpg), dengan nilai t hitung sebesar -8,709 dan p-value sebesar 1,29 × 10⁻¹⁰. Selain itu, nilai koefisien determinasi (R²) sebesar 0,7528 menunjukkan bahwa sebesar 75,28% variasi nilai mpg dapat dijelaskan oleh variabel wt, sedangkan sisanya sebesar 24,72% dijelaskan oleh faktor lain di luar model.

5.2 Saran

Dalam melakukan pengolahan dan analisis data menggunakan perangkat lunak R, praktikan diharapkan lebih teliti dalam menuliskan sintaks agar tidak terjadi kesalahan dalam proses pengolahan data. Selain itu, praktikan sebaiknya lebih memahami penggunaan Pipe Operator (%>%) dan berbagai fungsi dalam package dplyr agar proses manipulasi dan analisis data dapat dilakukan secara lebih efektif, sistematis, dan mudah dipahami. Penggunaan dataset yang lebih beragam juga disarankan agar pemahaman mengenai penerapan Pipe Operator dalam pengolahan dan analisis data semakin meningkat.

DAFTAR PUSTAKA

Faqih, R., Syahrin, M. N. A., Prayoga, M. I., Syakbani, F., & Furqan, M. (2025). Visualisasi dan statistik deskriptif beserta analisis dataset status gizi balita tahun 2022 per provinsi di Indonesia menggunakan pemrograman R. Jurnal Informatika dan Teknik Elektro Terapan, 13(3).

Fitriani, F., dkk. (2023). Pengenalan manipulasi data dengan menggunakan bahasa pemrograman R pada guru SMK Sumber Ilmu Tulangan. Manggali, 3(1), 119–125.

Pitaloka, D., Jayanthi, O. W., Kartika, A. G. D., Wicaksono, A., Syaifullah, M., & Fikriah, I. (2023). Pengolahan data arus laut menggunakan bahasa program R. Buletin Oseanografi Marina, 12(2), 231–242.

Riyono, J., Pujiastuti, C. E., Syaifudin, & Puspa, S. D. (2023). Pelatihan pengolahan data penelitian: Estimasi parameter dan analisa regresi menggunakan R untuk guru SMA di Jakarta dan sekitarnya. Abdimasku, 6(3).

PENERAPAN PIPE OPERATOR (%>%) DALAM PENGOLAHAN DAN ANALISIS DATA MENGGUNAKAN R

Aisya Nopita Sari - F1F025032

11 November 2026

BAB I PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Praktikum

1.4 Manfaat Praktikum

1.5 Batasan Masalah

1.6 Sistematika Penulisan

BAB II TINJAUAN PUSTAKA

2.1 Pengertian R

2.2 Pipe Operator (%>%)

2.3 Package dplyr

2.4 Statistik Deskriptif

2.5 Analisis Regresi Linier

2.6 Uji Signifikansi

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

3.2 Variabel Penelitian

3.3 Analisis Data

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan Data

4.2 Melihat Struktur dan Karakteristik Data

4.3 Analisis Statistik Deskriptif

4.4 Analisis Regresi Linier Sederhana

4.5 Tabel Koefisien Regresi

4.6 Persamaan Regresi

4.7 Visualisasi Scatter Plot dan Garis Regresi

4.8 Pengujian Signifikansi Model (Uji F)

4.9 Pengujian Signifikansi Parameter (Uji t)

4.10 Koefisien Determinasi

4.11 Manipulasi Data Menggunakan Pipe Operator

4.12 Pengelompokan Data Menggunakan group_by() dan summarise()

4.13 Pembahasan

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

5.2 Saran

DAFTAR PUSTAKA