Scribd
Unggah
10 tayangan7 halaman

TUGAS TUTORIAL 1 Analisis Dan Visualisasi Data

Dokumen ini adalah tugas tutorial yang mencakup analisis dan visualisasi data menggunakan R. Tugas ini meliputi perhitungan rata-rata, standar deviasi, pembuatan scatter plot dan histogram, serta interpretasi hasilnya. Selain itu, juga dihitung koefisien keragaman untuk nilai ujian Matematika dan Bahasa Inggris.

Diunggah oleh

muhammad yusuf
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 PDF, TXT atau baca online di Scribd
10 tayangan7 halaman

TUGAS TUTORIAL 1 Analisis Dan Visualisasi Data

Dokumen ini adalah tugas tutorial yang mencakup analisis dan visualisasi data menggunakan R. Tugas ini meliputi perhitungan rata-rata, standar deviasi, pembuatan scatter plot dan histogram, serta interpretasi hasilnya. Selain itu, juga dihitung koefisien keragaman untuk nilai ujian Matematika dan Bahasa Inggris.

Diunggah oleh

muhammad yusuf
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 PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 7

TUGAS TUTORIAL 1

OLEH :

NIM : 049746401
NAMA : Muhammad Yusuf Al Amin
MataKuliah : Analisis dan Visualisasi Data

SISTEM INFORMASI
UNIVERSITAS TERBUKA
Jawab :

1.Gunakan R untuk menghitung nilai berikut

# Membaca file CSV


data <- read.csv("D:/Data Kecepatan dan jarak tempuh mobil.csv", encoding = "latin1",
header = TRUE)
names(data)
a. # Menghitung rata-rata kecepatan
mean_kecepatan <- mean(data$kecepatan)
b. # Menghitung rata-rata jarak yang ditempuh
mean_jarak <- mean(data$jarak)
c. # 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:
• 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.
• 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.
• Titik yang Jauh dari Pola Umum (Outlier):
▪ 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".
▪ 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.
• 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:
• 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.
• 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.
• 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:


Standar Deviasi
Koefisien Keragaman = ( ) × 100%
Rata-rata
Mari kita hitung untuk masing-masing nilai ujian:
a) Matematika:
- Rata-rata kelas: 75
- Standar deviasi: 10
10
Koefisien Keragaman Matematika = ( ) × 100% = 13.33%
75
b) Bahasa Inggris:
- Rata-rata kelas: 70
- Standar deviasi: 8
8
Koefisien Keragaman Bahasa Inggris = ( ) × 100% = 11.43%
70
Jadi, koefisien keragaman untuk nilai ujian Matematika Thomas adalah 13.33%, sedangkan
untuk Bahasa Inggris adalah 11.43%.

Referensi :
BMP MSIM4310 Analisis dan Visualisasi Data Universitas terbuka

Anda mungkin juga menyukai