-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathP4DS.Rmd
661 lines (465 loc) · 19.3 KB
/
P4DS.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
---
title: "Practical Statistic - Car Emission in Canada 2022"
author: "Ricky Ariansyah"
date: "`r format(Sys.time(), '%d %B, %Y')`"
output:
html_document:
theme: flatly
highlight: tango
toc: true
df_print: paged
code_folding: hide
number_sections: true
toc_float:
collapsed: true
smooth_scroll: false
---
```{=html}
<style>
body {
text-align: justify
}
</style>
```
```{r setup, include=FALSE}
# clear-up the environment
rm(list = ls())
# chunk options
knitr::opts_chunk$set(
message = FALSE,
warning = FALSE,
fig.align = "center",
comment = "#>"
)
options(scipen = 999)
```
***
# Pengenalan
![](https://www.umweltbundesamt.de/sites/default/files/medien/2546/bilder/fotolia_199807134_m_semen_salivanchuk.jpg)
## Sejarah Mobil
Mobil pertama ditemukan pada akhir abad ke-19 oleh insinyur Jerman Karl Benz. Dia dikreditkan dengan menciptakan mobil praktis pertama yang ditenagai oleh mesin pembakaran internal. Benz Patent-Motorwagen, demikian sebutannya, dipatenkan pada 29 Januari 1886 dan dianggap sebagai mobil sejati pertama. Penemuan mobil memiliki dampak besar pada dunia modern, merevolusi transportasi dan mengubah cara orang hidup dan bekerja.
## Emisi Mobil
Emisi mobil mengacu pada polutan yang dilepaskan ke udara dari knalpot kendaraan bermotor, seperti mobil, truk, dan bus. Emisi ini termasuk zat berbahaya seperti karbon monoksida, nitrogen oksida, partikel, dan gas rumah kaca seperti karbon dioksida. Tingkat emisi mobil yang tinggi dapat berkontribusi terhadap polusi udara, yang dapat berdampak negatif pada kesehatan manusia dan lingkungan, seperti masalah pernapasan dan perubahan iklim. Untuk mengatasi masalah ini, pemerintah di seluruh dunia telah menerapkan peraturan untuk mengurangi emisi dari kendaraan, seperti standar emisi untuk mobil baru dan penggunaan teknologi yang lebih bersih seperti kendaraan listrik dan hibrida.
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
Emisi adalah polutan dari kendaraan bermotor yang sebagian besar mengandung zat berbahaya seperti karbon monoksida, dll
</div>
***
# Load Data
## Membaca Dataset
Data tersimpan dalam `consumption-rating.csv` berisi data transaksi emisi mobil berdasarkan merek, tipe, dan mesin. Data bersumber dari [Kaggle]('https://www.kaggle.com/datasets/rinichristy/2022-fuel-consumption-ratings').
```{r}
library(ggplot2)
# read data
car_compsution <- read.csv("data_input/consumption_rating.csv")
```
## Kamus Data
Deskripsi kolom:
- `Model.Year`: Tahun Manufaktur
- `Make`: Manufaktur
- `Model`: Tipe mobil
- `Vehicle.Class`: Kelas Mobil
- `Engine.Size.L`: Kapasitas mesin dalam liter
- `Cylinders`: Silinder Mesin
- `Transmission`: Transmisi Mesin
- `Fuel.Type`: Tipe Bahan Bakar
- `Fuel.Consumption..City..L.100.km.`: Konsumsi bahan bakar untuk perjalanan dalam kota dalam liter per 100 KM
- `Fuel.Consumption.Hwy..L.100.km..`: Konsumsi bahan bakar untuk perjalanan jalan tol dalam liter per 100 KM
- `Fuel.Consumption..City..L.100.km.`: Konsumsi bahan bakar untuk perjalanan kombinasi dalam liter per 100 KM
- `Fuel.Consumption.Comb..mpg..`: Konsumsi bahan bakar untuk perjalanan kombinasi dalam `miles per imperial gallon`
Deskripri Nilai Data :
Model:
- 4WD/4X4 = Four-wheel drive
- AWD = All-wheel drive
- FFV = Flexible-fuel vehicle
- SWB = Short wheelbase
- LWB = Long wheelbase
- EWB = Extended wheelbase
Transmission:
- A = automatic
- AM = automated manual
- AS = automatic with select shift
- AV = continuously variable
- M = manual
- 3 -- 10 = Number of gears
Fuel type:
- X = regular gasoline
- Z = premium gasoline
- D = diesel
- E = ethanol (E85)
- N = natural gas
## Bentuk Data
```{r}
print(paste("Total Baris : ", dim(car_compsution)[1]))
print(paste("Total Kolom : ", dim(car_compsution)[2]))
```
## Nama Kolom
```{r}
names(car_compsution)
```
## Struktur Data
```{r}
str(car_compsution)
```
## Ringkasan Data
```{r}
head(car_compsution)
```
***
# Data Wrangling
## Data Preparation
*1. Buat Nama mobil dengan menggabungkan `Make` dan `Model`*
```{r}
car_compsution$Product_name <- paste0(car_compsution$Make, " " ,car_compsution$Model)
```
*2. Ubah nama kolom sesuai dengan representasi datanya, agar lebih mudah\`*
```{r}
names(car_compsution)[names(car_compsution) == 'Vehicle.Class'] <- "Class"
names(car_compsution)[names(car_compsution) == 'Engine.Size.L.'] <- "Engine_in_litres"
names(car_compsution)[names(car_compsution) == 'Fuel.Type'] <- "Fuel_type"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption..City..L.100.km.'] <- "Fuel_consumption_city_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Hwy..L.100.km..'] <- "Fuel_consumption_highway_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Comb..L.100.km..'] <- "Fuel_consumption_combine_l_per_100km"
names(car_compsution)[names(car_compsution) == 'Fuel.Consumption.Comb..mpg..'] <- "Fuel_consumption_combine_l_mpg"
names(car_compsution)[names(car_compsution) == 'CO2.Emissions.g.km.'] <- "CO2_emission_in_g_per_km"
```
sudah ditambahkan Product_name sebagai reprentasi unik nama mobilnya
```{r}
car_compsution[1,]
```
## Cek NA / Missing Value
```{r}
anyNA(car_compsution)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ... tidak ada data yang NA value
</div>
## Cek Duplikat Data
```{r}
sum(duplicated(car_compsution))
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ... tidak ada data duplikat
</div>
## Pergantian Data Tipe
```{r}
car_compsution$Make <- as.factor(car_compsution$Make)
car_compsution$Class <- as.factor(car_compsution$Class)
car_compsution$Fuel_type <- as.factor(car_compsution$Fuel_type)
car_compsution$Transmission <- as.factor(car_compsution$Transmission)
```
# Business Question
*1. Brand mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?*
*2. Mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?*
*3. Brand mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
*4. Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
*5. Tipe Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
*5. Tipe Mobil apakah yang mempunyai Konsumsi Bahan bakar yang lebih baik?*
*6. Apakah Ada pengaruh Kapasitas mesin terhadap emisi dan Smog?*
*7. Apakah ada pengaruh Tipe bahan bakar terhadap emisi dan smog?*
*8. Apakah ada pengaruh konsumsi bahan bakar terhadap emisi dan smug?*
# Exploratory Data Analysis
## 5 Number Summary
```{r}
summary(car_compsution)
```
## Karakteristik C02 Rating
```{r}
boxplot(car_compsution$CO2.Rating, horizontal = T,
main="Karakteristik Data CO2 Rating",
xlab="Value",
ylab="CO2 Rating",
col="orange",
border="brown"
)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. sebagian besar data berkumpul pada range 3 - 5 pada CO2 rating, bisa kita kategorikan range data ini sebagai C02 rating mobil pada umumnya
2. terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai C02 rating lebih baik dari kebanyakan mobil pada umumnya
3. terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai CO2 lebih buruk dari kebanyakan mobil pada umumnya
4. terdapat outlier yang menandakan ada data yang mempunyai CO2 yang buruk pada rentang data Q1 - Q3
</div>
## Karakteristik Smog Rating
```{r}
boxplot(car_compsution$Smog.Rating, horizontal = T,
main="Karakteristik Data Smog Rating",
xlab="Value",
ylab="Smog Rating",
col="orange",
border="brown"
)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. sebagian besar data berkumpul pada range 3 - 6 pada Smog rating, bisa kita kategorikan range data ini sebagai Smog rating mobil pada umumnya
2. terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai Smog rating lebih baik dari kebanyakan mobil pada umumnya
3. terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai Smog lebih buruk dari kebanyakan mobil pada umumnya
4. tidak terdapat outlier
</div>
## Karakteristik CO2 Emisi Per KM
```{r}
boxplot(car_compsution$CO2_emission_in_g_per_km, horizontal = T,
main="Karakteristik CO2 Emisi per KM",
xlab="Value",
ylab="CO2 Emisi",
col="orange",
border="brown")
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. sebagian besar data berkumpul pada range 210 - 300 pada C02 Emission, bisa kita kategorikan range data ini sebagai CO2 Emission mobil pada umumnya
2. terdapat data yang berada di bawah pusat data, ini menandakan ada data/mobil yang mempunyai C02 Emission lebih baik dari kebanyakan mobil pada umumnya
3. terdapat data yang beradat di atas pusat data, ini menandakan ada data/mobil yang mempunyai C02 Emission lebih buruk dari kebanyakan mobil pada umumnya
4. terdapat outlier yang menandakan ada data/mobil yang mempunyai C02 Emission lebih buruk dari rentang data
</div>
## Korelasi data
```{r}
library(GGally)
ggcorr(car_compsution, label = T)
```
```{r}
cor.test(x = car_compsution$Engine_in_litres, y = car_compsution$CO2.Rating)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. terdapat banyak data numerik yang berkorelasi sedang - kuat antara masing masing kolom data, negatif / positif
2. berdasarkan cor.test relasi antara kapasitas mesin dan co2 rating signifikan
</div>
# Analisa Jawaban
## Pertanyaan 1
*1. Brand mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?*
kita akan mengelompokkan brand mobil terhadap konsumsi bahan bakar
```{r}
ranking_brand <- aggregate(Fuel_consumption_city_l_per_100km ~ Make,
car_compsution,
FUN = mean
)
ranking_brand <- ranking_brand[order(ranking_brand$Fuel_consumption_city_l_per_100km), ]
barplot(height = ranking_brand[1:5,]$Fuel_consumption_city_l_per_100km,
horiz = T, names.arg = ranking_brand[1:5, ]$Make, las=2)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. terdapat 5 brand mobil (Hyundai, Kia, Honda, Mitsubishi, Toyota) dengan produk konsumsi bahan bakar yang lebih rendah terhadap brand lain,
2. Hyundai menjadi brand mobil yang paling hemat
</div>
## Pertanyaan 2
*2. Mobil apakah yang mempunyai konsumsi bahan bakar yang lebih baik?*
```{r}
ranking_car <- aggregate(Fuel_consumption_city_l_per_100km ~ Product_name,
car_compsution,
FUN = mean
)
ranking_car <- ranking_car[order(ranking_car$Fuel_consumption_city_l_per_100km), ]
barplot(height = ranking_car[1:5,]$Fuel_consumption_city_l_per_100km,
horiz = F, las=2, legend = ranking_car[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. terdapat 5 mobil (Hyundai IONIQ Blue, Hyundai IONIQ, Kia Niro, Kia Niro FE, Toyota Corolla Hybrid) dengan produk konsumsi bahan bakar yang lebih rendah terhadap brand lain,
2. Hyundai IONIQ Blue yang paling hemat
</div>
## Pertanyaan 3
*3. Brand mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
```{r}
ranking_car_emisi <- aggregate(CO2.Rating ~ Make,
car_compsution,
FUN = mean
)
ranking_car_emisi <- ranking_car_emisi[order(ranking_car_emisi$CO2.Rating), ]
barplot(height = ranking_car_emisi[1:5,]$CO2.Rating,
horiz = F, las=2, legend = ranking_car_emisi[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))
```
brand brand tersebut jarang dimiliki, kita akan membuat batasan pada data ini yaitu sebesar 50 frequency, kemudian kita akan hitung CO2 Rate yang terbaik
```{r}
ranking_car_emisi_total <- xtabs(~Make, car_compsution)
ranking_car_emisi_total <- as.data.frame(ranking_car_emisi_total)
ranking_car_emisi_total <- ranking_car_emisi_total[order(ranking_car_emisi_total$Freq), ]
ranking_car_emisi_total <- ranking_car_emisi_total[ranking_car_emisi_total$Freq > 50, ]
car_compsution_filter <- car_compsution[car_compsution$Make %in% ranking_car_emisi_total[,1],]
ranking_car_emisi_filter <- aggregate(CO2.Rating ~ Make,
car_compsution_filter,
FUN = mean
)
ranking_car_emisi_filter <- ranking_car_emisi_filter[order(ranking_car_emisi_filter$CO2.Rating), ]
barplot(height = ranking_car_emisi_filter[1:5,]$CO2.Rating,
horiz = F, las=2, legend = ranking_car_emisi_filter[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))
```
```{r}
ranking_car_smog_filter <- aggregate(Smog.Rating ~ Make,
car_compsution_filter,
FUN = mean
)
ranking_car_smog_filter <- ranking_car_smog_filter[order(ranking_car_smog_filter$Smog.Rating), ]
barplot(height = ranking_car_smog_filter[1:5,]$Smog.Rating,
horiz = F, las=2, legend = ranking_car_smog_filter[1:5,]$Make, col = c("blue", "red", "green", "yellow", "black"))
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. terdapat 5 mobil (Bugatti, Lamborghini, Rolls-Royce, Bentley, Dodge) dengan C02 rating yang lebih rendah terhadap brand lain, dapat kita lihat brand ini adalah brand yang jarang dimiliki
2. jika difilter mobil yang frequensi di atas >50 pada data ini dapat kita simpulkan GMC menjadi merek yang lebih baik terhadap C02 rating
3. jika difilter mobil yang frequensi di atas >50 pada data ini dapat kita simpulkan Porcshe menjadi merek yang lebih baik terhadap Smog rating
</div>
## Pertanyaan 4
*4. Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
```{r}
ranking_car_name_emision_filter <- aggregate(CO2.Rating ~ Product_name,
car_compsution_filter,
FUN = mean
)
ranking_car_name_emision_filter <- ranking_car_name_emision_filter[order(ranking_car_name_emision_filter$CO2.Rating), ]
ranking_car_name_emision_filter
```
```{r}
barplot(height = ranking_car_name_emision_filter[1:5,]$CO2.Rating,
horiz = F, las=2, legend = ranking_car_name_emision_filter[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))
```
```{r}
ranking_car_name_smog_filter <- aggregate(Smog.Rating ~ Product_name,
car_compsution_filter,
FUN = mean
)
ranking_car_name_smog_filter <- ranking_car_name_smog_filter[order(ranking_car_name_smog_filter$Smog.Rating), ]
ranking_car_name_smog_filter
```
```{r}
barplot(height = ranking_car_name_smog_filter[1:5,]$Smog.Rating,
horiz = F, las=2, legend = ranking_car_name_smog_filter[1:5,]$Product_name, col = c("blue", "red", "green", "yellow", "black"))
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. dapat dilihat mobil dengan CO2 rating terendah pada tabel 1 dan barplot
2. dapat dilihat mobil dengan Smog rating terendah pada tabel 2 dan barplot
3. terdapat rata rata rating yang sama terhadap mobil
</div>
## Pertanyaan 5
*5. Tipe Mobil apakah yang mempunyai Rating Emisi dan Smog yang lebih baik?*
```{r}
ranking_car_class_emission <- aggregate(CO2.Rating ~ Class,
car_compsution,
FUN = mean
)
ranking_car_class_emission <- ranking_car_class_emission[order(ranking_car_class_emission$CO2.Rating),]
barplot(height = ranking_car_class_emission[1:5,]$CO2.Rating,
horiz = F, las=2, legend = ranking_car_class_emission[1:5,]$Class, col = c("blue", "red", "green", "yellow", "black"))
```
```{r}
ranking_car_class_smog <- aggregate(Smog.Rating ~ Class,
car_compsution,
FUN = mean
)
ranking_car_class_smog <- ranking_car_class_smog[order(ranking_car_class_smog$Smog.Rating), ]
barplot(height = ranking_car_class_smog[1:5,]$Smog.Rating,
horiz = F, las=2, legend = ranking_car_class_smog[1:5,]$Class, col = c("blue", "red", "green", "yellow", "black"))
```
## Pertanyaan 6
*6. Apakah Ada pengaruh Kapasitas mesin terhadap emisi?*
```{r}
plot(car_compsution$Engine_in_litres,
y = car_compsution$CO2_emission_in_g_per_km,
xlab = "Kapasitas Mesin",
ylab = "CO2 Emisi per KM",
main = "Relasi Konsumsi bahan bakar VS CO2 Emisi"
)
```
```{r}
cor(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)
```
```{r}
cor.test(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)
```
```{r}
cov(car_compsution$Engine_in_litres, car_compsution$CO2_emission_in_g_per_km)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. kapasitas mesin dan co2 emisi berelasi kuat
2. semakin besar kapasitas mesin, semakin besar juga co2 emisi
</div>
## Pertanyaan 7
*7. Manakah Tipe bahan bakar yang mempunyai emisi lebih baik?*
```{r}
ranking_fuel_type <- aggregate(CO2_emission_in_g_per_km ~ Fuel_type, car_compsution, FUN = sum)
ranking_fuel_type <- ranking_fuel_type[order(ranking_fuel_type$CO2_emission_in_g_per_km, decreasing = F), ]
barplot(height = ranking_fuel_type$CO2_emission_in_g_per_km, horiz = T,
names.arg = ranking_fuel_type$Fuel_type)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. Etanol mempunyai kecenderungan emisi yang lebih sedikit dari bahan bakar lain
</div>
## Pertanyaan 8
*8. Apakah ada pengaruh konsumsi bahan bakar terhadap emisi?*
```{r}
plot(car_compsution$Fuel_consumption_city_l_per_100km,
y = car_compsution$CO2_emission_in_g_per_km,
xlab = "Konsumsi Bahan bakar per 100 KM",
ylab = "CO2 Emisi per KM",
main = "Relasi Konsumsi bahan bakar VS CO2 Emisi"
)
```
```{r}
cor(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)
```
```{r}
cor.test(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)
```
```{r}
cov(car_compsution$Fuel_consumption_city_l_per_100km, car_compsution$CO2_emission_in_g_per_km)
```
<style>
div.blue { background-color:#e6f0ff; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
insight : ...
1. Konsumsi bahan bakar dan co2 emisi berelasi kuat
2. semakin besar konsumsi bahan bakar, semakin besar co2 emisi
</div>
<hr />
<p style="text-align: center;">
A work by <a href="">Ricky Ariansyah</a>
</p>
<p style="text-align: center;">
[<em>[rickyarians\@outlook.com](mailto:rickyarians@outlook.com){.email}</em>]{style="color: #808080;"}
[<em>[linkedin](https://www.linkedin.com/in/rickyarians/){.email}</em>]{style="color: #808080;"}
</p>
</p>