Scribd
Unggah
473 tayangan5 halaman

TUGAS TUTORIAL 1 Analisis Dan Visualisasi Data

Diunggah oleh

Ida Nursyamsiah
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
473 tayangan5 halaman

TUGAS TUTORIAL 1 Analisis Dan Visualisasi Data

Diunggah oleh

Ida Nursyamsiah
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 5

TUGAS TUTORIAL 1

PROGRAM STUDI SISTEM INFORMASI

Nama : Ida Nursyamsiah


NIM : 044256275
Nama Mata Kuliah : Analisis dan Visualisasi Data
Kode Mata Kuliah : MSIM4310
Berikut ini adalah data kecepatan mobil dan jarak yang ditempuh hingga berhenti.

No. Kecepatan Jarak No. Kecepatan Jarak


(km/h) (meter) (km/h) (meter)
1. 4 2 26. 16 55
2. 4 10 27. 16 35
3. 7 4 28. 17 40
4. 7 20 29. 17 30
5. 8 17 30. 17 44
6. 8 13 31. 17 50
7. 9 18 32. 17 46
8. 10 28 33. 18 53
9. 10 33 34. 18 70
10. 11 18 35. 18 80
11. 11 26 36. 19 36
12. 12 12 37. 19 46
13. 12 24 38. 20 68
14. 12 22 39. 20 34
15. 13 28 40. 20 48
16. 13 24 41. 20 50
17. 13 32 42. 20 56
18. 13 34 43. 21 60
19. 114 43 44. 22 64
20. 14 24 45. 23 56
21. 14 30 46. 24 72
22. 14 58 47. 24 90
23. 15 80 48. 24 92
24. 15 20 49. 25 110
25. 15 24 50 25 85
Pertanyaan :
1. Gunakan R untuk menghitung nilai berikut (Jawaban harus melampirkan hasil kerja di R):
a. Rata-rata kecepatan mobil
b. Rata-rata jarak yang ditempuh mobil
c. Standar deviasi data jarak yang ditempuh mobil

2. Berdasarkan tabel pada soal Nomor 1, gunakan program R untuk membuat plot dan
interpretasikan hasilnya!
a. Scatter plot dari data kecepatan dan jarak
b. Interpretasi Scatter plot yang diperoleh
c. Histogram untuk data kecepatan mobil
d. Interpretasi histogram yang diperoleh

3. Thomas memperoleh nilai 80 untuk ujian Matematika dengan rata-rata kelas 75 dan standar
deviasi 10. Untuk ujian bahasa Inggris, Thomas memperoleh nilai 75 dengan rata-rata kelas
70 dan standar deviasi 8. Hitunglah koefisien keragaman untuk nilai ujian Matematika
dan bahasa Inggris Thomas!
Jawab:
1.

# Membaca file CSV


data <- read.csv("D:/Data Kecepatan dan jarak tempuh mobil.csv", encoding = "latin1",
header = TRUE)
names(data)

# Menghitung rata-rata kecepatan


mean_kecepatan <- mean(data$kecepatan)

# Menghitung rata-rata jarak yang ditempuh


mean_jarak <- mean(data$jarak)

# Menghitung standar deviasi jarak yang ditempuh


sd_jarak <- sd(data$jarak)

# Menampilkan hasil
cat("Rata-rata kecepatan mobil:", mean_kecepatan, "\n")
cat("Rata-rata jarak yang ditempuh mobil:", mean_jarak, "\n")
cat("Standar deviasi jarak yang ditempuh mobil:", sd_jarak, "\n")

2. a. Scatter plot dari data kecepatan dan jarak

# Membuat scatter plot


plot(data$kecepatan, data$jarak,
xlab = "Kecepatan (km/h)",
ylab = "Jarak (Meter)",
main = "Scatter Plot Kecepatan vs Jarak",
pch = 19, # Menggunakan simbol lingkaran solid untuk titik
col = "blue") # Mengatur warna titik ke biru
b. Interpretasi Scatter plot yang diperoleh

Dilihat dari scatter plot antara kecepatan dan jarak tempuh mobil, kita dapat
memahami beberapa hal sebagai berikut:
1. Hubungan antara Kecepatan dan Jarak Tempuh:
 Sebagian besar titik data berada pada kecepatan rendah, yaitu di bawah 30
km/jam, dan jarak tempuh yang tidak terlalu jauh. Ini menunjukkan bahwa mobil
dalam dataset ini umumnya berjalan dengan kecepatan rendah dan menempuh
jarak yang juga relatif pendek.
 Di area ini, kita melihat bahwa ketika kecepatan sedikit meningkat, jarak tempuh
juga bertambah. Artinya, ada kecenderungan bahwa semakin cepat mobil
berjalan, semakin jauh jarak yang bisa ditempuh.
2. Pengelompokan Data:
Data sebagian besar berkumpul di area kecepatan rendah dengan jarak di bawah
80 meter. Ini bisa berarti bahwa kondisi atau penggunaan mobil dalam dataset ini
sebagian besar terjadi pada kecepatan rendah dan jarak yang tidak terlalu jauh,
misalnya mungkin pada area perkotaan atau perjalanan singkat.

3. Titik yang Jauh dari Pola Umum (Outlier):


a) Terdapat satu titik yang sangat berbeda dari yang lain, yaitu pada kecepatan
lebih dari 100 km/jam dengan jarak tempuh yang juga tinggi. Titik ini jauh di
sebelah kanan plot dan menyimpang dari pola umum. Ini bisa disebut sebagai
"outlier".
b) Outlier ini mungkin mewakili kondisi khusus, seperti perjalanan panjang atau
uji kecepatan tinggi, atau bisa juga karena kesalahan pengukuran. Jika kita
menganalisis data ini lebih lanjut, outlier ini mungkin perlu ditinjau apakah
memang bagian dari pola atau perlu dikecualikan.

4. Variasi Jarak pada Kecepatan Rendah:


Pada kecepatan rendah, kita melihat variasi jarak yang cukup signifikan.
Walaupun mobil bergerak perlahan, jarak tempuh bisa berbeda-beda, tergantung
pada faktor-faktor lain seperti waktu tempuh atau rute yang dilalui.

c. Histogram

# Membuat histogram untuk data kecepatan


hist(data$kecepatan,
main = "Histogram Kecepatan Mobil",
xlab = "Kecepatan (km/h)",
ylab = "Frekuensi",
col = "skyblue", # Mengatur warna histogram
border = "black", # Mengatur warna tepi setiap bar
breaks = 10) # Mengatur jumlah bar (opsional)
d. Interpretasi Histogram

Berdasarkan histogram kecepatan mobil yang diperoleh, kita bisa melihat beberapa pola:
1. Mayoritas Kecepatan Rendah:
Sebagian besar mobil berkecepatan rendah, di bawah 30 km/jam. Ini ditunjukkan oleh
bar yang tinggi di kisaran kecepatan tersebut, yang berarti banyak mobil yang
bergerak pada kecepatan ini.

2. Sedikit yang Berkecepatan Tinggi:


Ada satu bar di ujung kanan, sekitar 120 km/jam, yang menunjukkan beberapa mobil
dengan kecepatan jauh lebih tinggi dari mayoritas. Ini adalah kecepatan yang jarang
dan bisa dianggap sebagai "outlier" atau pengecualian.

3. Distribusi Tidak Merata:


Histogram menunjukkan bahwa kecepatan mobil tidak tersebar merata. Sebagian
besar data terkonsentrasi di kecepatan rendah, sementara kecepatan tinggi hampir
tidak muncul.

3. Koefisien keragaman (Coefficient of Variation) dihitung dengan rumus:

Koefisien Keragaman= (Standar Deviasi


Rata-rata )× 100 %
Mari kita hitung untuk masing-masing nilai ujian:
a) Matematika:
- Rata-rata kelas: 75
- Standar deviasi: 10

Koefisien Keragaman Matematika = ( 1075 ) ×100 %=13.33 %


b) Bahasa Inggris:
- Rata-rata kelas: 70
- Standar deviasi: 8

Koefisien Keragaman Bahasa Inggris= ( 708 ) ×100 %=11.43%


Jadi, koefisien keragaman untuk nilai ujian Matematika Thomas adalah 13.33%, sedangkan
untuk Bahasa Inggris adalah 11.43%.

Anda mungkin juga menyukai