Scribd
Unggah
5 tayangan7 halaman

Tugas 1 Analisis Dan Visualisasi Data

Dokumen ini menganalisis dan memvisualisasikan data kecepatan dan jarak mobil, serta menghitung rata-rata, standar deviasi, dan koefisien keragaman untuk ujian Matematika dan Bahasa Inggris. Rata-rata kecepatan mobil adalah 15.38 km/h dan rata-rata jarak yang ditempuh adalah 42.22 meter. Selain itu, scatter plot dan histogram digunakan untuk menggambarkan hubungan dan distribusi data kecepatan mobil.

Diunggah oleh

Sauli Lase
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
5 tayangan7 halaman

Tugas 1 Analisis Dan Visualisasi Data

Dokumen ini menganalisis dan memvisualisasikan data kecepatan dan jarak mobil, serta menghitung rata-rata, standar deviasi, dan koefisien keragaman untuk ujian Matematika dan Bahasa Inggris. Rata-rata kecepatan mobil adalah 15.38 km/h dan rata-rata jarak yang ditempuh adalah 42.22 meter. Selain itu, scatter plot dan histogram digunakan untuk menggambarkan hubungan dan distribusi data kecepatan mobil.

Diunggah oleh

Sauli Lase
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 1

ANALISIS DAN VISUALISASI DATA

SAULI IFOLALA LASE

051857089

Sistem Informasi

Fakultas Sains dan Teknologi

Universitas Terbuka

2025
1. A. Rata-rata kecepatan Mobil
Data kecepatan mobil
> kecepatan <- c(4, 4, 7, 7, 8, 8, 9, 10, 10, 11, 11, 12, 12, 12, 13, 13, 13, 13, 14, 14, 14,
15, 15, 15, 16, 16, 16, 17, 17, 17, 17, 17, 17, 18, 18, 18, 19, 19, 20, 20, 20, 20, 20, 21, 22,
23, 24, 24, 24, 25)
>
> # Menghitung rata-rata kecepatan
> rata_kecepatan <- mean(kecepatan)
> print(paste("Rata-rata kecepatan mobil: ", rata_kecepatan))
[1] "Rata-rata kecepatan mobil: 15.38"

B. Rata-rata Jarak yang Ditempuh Mobil


# Data jarak yang ditempuh mobil
> jarak <- c(2, 10, 4, 20, 17, 13, 18, 28, 33, 18, 26, 12, 24, 22, 28, 24, 32, 34, 24, 30, 58,
80, 20, 24, 55, 35, 40, 40, 30, 44, 50, 46, 53, 70, 80, 36, 46, 68, 34, 48, 50, 56, 60, 64, 56,
72, 90, 92, 110, 85)
>
> # Menghitung rata-rata jarak
> rata_jarak <- mean(jarak)
> print(paste("Rata-rata jarak yang ditempuh mobil: ", rata_jarak))
[1] "Rata-rata jarak yang ditempuh mobil: 42.22"
C. Standar Deviasi Jarak yang Ditempuh Mobil
# Menghitung standar deviasi jarak
> sd_jarak <- sd(jarak)
> print(paste("Standar deviasi jarak yang ditempuh mobil: ", sd_jarak))
[1] "Standar deviasi jarak yang ditempuh mobil: 24.766905172765"
2. A. Scatter Plot dari Data Kecepatan dan Jarak
# Data kecepatan dan jarak mobil
> kecepatan <- c(4, 4, 7, 7, 8, 8, 9, 10, 10, 11, 11, 12, 12, 12, 13, 13, 13, 13, 14, 14, 14,
15, 15, 15, 16, 16, 16, 17, 17, 17, 17, 17, 17, 18, 18, 18, 19, 19, 20, 20, 20, 20, 20, 21, 22,
23, 24, 24, 24, 25)
> jarak <- c(2, 10, 4, 20, 17, 13, 18, 28, 33, 18, 26, 12, 24, 22, 28, 24, 32, 34, 24, 30, 58,
80, 20, 24, 55, 35, 40, 40, 30, 44, 50, 46, 53, 70, 80, 36, 46, 68, 34, 48, 50, 56, 60, 64, 56,
72, 90, 92, 110, 85)
>
> # Membuat scatter plot
> plot(kecepatan, jarak,
+ main="Scatter Plot Kecepatan vs Jarak",
+ xlab="Kecepatan (km/h)",
+ ylab="Jarak (meter)",
+ pch=19, col="blue")

B. Interpretasi dari scatter plot yang dihasilkan:


• Polanya: Dari scatter plot, kita dapat melihat apakah ada hubungan antara kecepatan
mobil dan jarak yang ditempuh. Jika titik-titik pada plot membentuk suatu pola linear
atau tren, itu menunjukkan hubungan tertentu antara kedua variabel.
• Hubungan: Secara umum, jika titik data cenderung membentuk pola naik (positive
correlation), ini menunjukkan bahwa semakin tinggi kecepatan mobil, semakin jauh
jarak yang dapat ditempuh.
• Distribusi: Jika titik-titik tersebar secara acak tanpa pola yang jelas, ini
mengindikasikan bahwa tidak ada hubungan yang jelas antara kecepatan dan jarak
yang ditempuh mobil.

C. Histogram untuk Data Kecepatan Mobil

# Membuat histogram untuk data kecepatan


> hist(kecepatan,
+ main="Histogram Kecepatan Mobil",
+ xlab="Kecepatan (km/h)",
+ ylab="Frekuensi",
+ col="lightblue",
+ border="black",
+ breaks=10)
>

D. Interpretasi Histogram yang Diperoleh


Distribusi Frekuensi: Histogram memberikan gambaran tentang distribusi frekuensi dari
data kecepatan mobil.
• Jika sebagian besar batang histogram terletak di sisi kiri, itu menunjukkan bahwa
kecepatan mobil sebagian besar cenderung rendah.
• Jika sebagian besar batang berada di sisi kanan, berarti kecepatan mobil cenderung
lebih tinggi.
Bentuk Distribusi:
• Jika histogram berbentuk miring ke kanan atau ke kiri (skewed), itu menunjukkan
ketidakseimbangan pada data kecepatan.
• Jika histogram terlihat simetris, itu menunjukkan bahwa distribusi kecepatan cenderung
normal.
Puncak Histogram: Puncak pada histogram menunjukkan rentang kecepatan yang paling
sering terjadi, yang memberi tahu kita nilai kecepatan yang paling umum. Misalnya, jika
puncak berada pada kecepatan rendah, ini menunjukkan bahwa sebagian besar mobil
bergerak dengan kecepatan rendah.

3. Koefisien keragaman (CV) digunakan untuk mengukur variabilitas relatif dalam data dan
dihitung dengan rumus berikut:

a. Koefisien Keragaman untuk Ujian Matematika


• Nilai Thomas untuk ujian Matematika: 80
• Rata-rata kelas untuk ujian Matematika: 75
• Standar deviasi untuk ujian Matematika: 10

Menghitung CV Matematika:

b. Koefisien Keragaman untuk Ujian Bahasa Inggris


• Nilai Thomas untuk ujian Bahasa Inggris: 75
• Rata-rata kelas untuk ujian Bahasa Inggris: 70
• Standar deviasi untuk ujian Bahasa Inggris: 8

Menghitung CV Bahasa Inggris:

Kesimpulan:
• Koefisien keragaman untuk ujian Matematika Thomas adalah 13.33%.
• Koefisien keragaman untuk ujian Bahasa Inggris Thomas adalah 11.43%.
# Data untuk ujian Matematika
> rata_matematika <- 75
> sd_matematika <- 10
>
> # Data untuk ujian Bahasa Inggris
> rata_bahasa_inggris <- 70
> sd_bahasa_inggris <- 8
>
> # Menghitung koefisien keragaman untuk ujian Matematika
> cv_matematika <- (sd_matematika / rata_matematika) * 100
> print(paste("Koefisien Keragaman untuk ujian Matematika: ", cv_matematika,
"%"))
[1] "Koefisien Keragaman untuk ujian Matematika: 13.3333333333333 %"
>
> # Menghitung koefisien keragaman untuk ujian Bahasa Inggris
> cv_bahasa_inggris <- (sd_bahasa_inggris / rata_bahasa_inggris) * 100
> print(paste("Koefisien Keragaman untuk ujian Bahasa Inggris: ",
cv_bahasa_inggris, "%"))
[1] "Koefisien Keragaman untuk ujian Bahasa Inggris: 11.4285714285714 %"

Anda mungkin juga menyukai