Pengenalan R dalam R Markdown
R merupakan sebuah bahasa pemograman yang umumnya digunakan untuk melakukan analisis statistik oleh ahli statistik. Syntax R akan memudahkan dalam membuat model statistik, melakukan pengolahan data yang sederhana hingga kompleks hanya dengan menjalankan beberapa baris kode.
R bersifat Open source sehingga memudahkan pengguna lain untuk mengakses pemograman ini
Beberapa hal yang dipelajari di R
Banyak manfaat yag dapat diperoleh dengan mempelajari R terutama dalam pengolahan data. Berikut beberapa hal yang akan diperoleh dalam mempelajari pengolahan R diantaranya :
- Mempelajari Dasar-Dasar Pemograman R seperti operasi dasar matematika, dan Fungsi aritmatika dasar
- Operasi matriks, Membat Data frame dari kumpulan vektor, List, Vector, melakukan looping
- Management data seperti input Data, Import Data, Menyimpan data kedalam File, Membaca Data dalam File.
- Membuat Laporan hasil olah data dalam Power point, R markdown, R-shiny dan lainnya
- Membuat Olahan Data Mengenai Statistika Deskriptif dan Visualisasi Data
- Statisika Inferensia dan Uji Hipotesis
- Melakukan berbagai analisi dalam statistika seperti Analisis Ragam, Korelasi, Regresi, Regresi logistik
- Membuat fungsi dalam R
Operasi Dasar Matematika dan aritmatika dasar
1. Operasi Matematika Dasar
# Operasi Pejumlahan (Menggunakan Tanda +)
2 + 4 # hasilnya 6## [1] 6#Pengurangan (Menggunakan Tanda -)
6-2 # hasilnya 4## [1] 4#Perkalian (Menggunakan Tanda *)
10*2 # Hasilnya 20## [1] 20#Pembagian (Menggunakan Tanda *)
22/2 # Hasilnya 11## [1] 112. Fungsi Aritmatika Dasar
untuk menjalankan beberapa operasi aritmatika dalam R, beberapa perintah untuk menjalankan logaritma, sinus, cosinus, absolut atau yang lainnya dapat diperoleh secara mudah di google atau beberapa sumber buku lainnya
# contoh operasi Logaritma
log10(10) # hasinya 1## [1] 1#contoh operasi absolut
abs(-3) # hasinya 3## [1] 3##Operasi matriks, Membat Data frame dari kumpulan vektor, List, Vector, melakukan looping
Pengenalan Variabel, Tipe Data dan Vektor pada R
1. Mekukan inisialisasikan nilai dalam R
Melakukan inisialisasi dalam R dapat mengguakan 2 perintah yaitu “=” atau “<-”. Selain itu R juga Sangat Sensitif Terhadap Perbadaan Huruf dan Tanda baca, sehingga banyak perintah yang tidak bisa dijalankan karena kesalahan tersebut
a <- 3
a## [1] 3b =3
b## [1] 3Catatan > R juga sensitif terhadap perintah yang dibuat, inisialisasi yang sama akan merubah hasil jika nilainya berbeda, karena R akan menganggap perintah selanjutnya adalah data baru.
Contoh Aplikasi
a <- 3
a <- 7
a## [1] 7R tidak akan membaca inisialisasi di awal bahwa a= 3, melainkan perintah selanjutnya
2. Membuat Vector dalam R
Vector adalah objek data paling sederhana yang ada di dalam R. Secara umum jenis vector terbagi 2, yaitu numeric dan character. Ada banyak sekali cara untuk membuat sebuah vector di R. Di bagian ini akan dibahas beberapa cara yang banyak dan mungkin akan sering Anda gunakan.
Membuat vector dalam R menggunakan perintah c namun perlu perhatikan bahwa dalam membuat vector character membutuhkan tambahan ““ agar bisa dijalankan perintahnya
numeric_vector <- c(1, 10, 49)
numeric_vector## [1] 1 10 49character_vector <- c("a", "b", "c")
character_vector## [1] "a" "b" "c"3. Membuat Matriks dari kumpulan vector dalam R
Catatan :
- cbind(): menggabungkan objek R berdasarkan kolom
- rbind(): menggabungkan objek R berdasarkan baris
- rownames(): mengambil atau menetapkan nama-nama baris dari objek seperti-matriks
- colnames(): mengambil atau menetapkan nama-nama kolom dari objek seperti-matriks “’
# membuat 3 buah vector Numerik
col1 <- c(5, 6, 7, 8, 9)
col2 <- c(2, 4, 5, 9, 8)
col3 <- c(7, 3, 4, 8, 7)
# menggabungkan vektor berdasarkan kolom
my_data <- cbind(col1, col2, col3)
my_data## col1 col2 col3
## [1,] 5 2 7
## [2,] 6 4 3
## [3,] 7 5 4
## [4,] 8 9 8
## [5,] 9 8 7# menggabungkan vektor berdasarkan baris
my_data_byrow <- rbind(col1, col2, col3)
my_data_byrow## [,1] [,2] [,3] [,4] [,5]
## col1 5 6 7 8 9
## col2 2 4 5 9 8
## col3 7 3 4 8 7# Mengubah atau menambahkan nama baris
rownames(my_data)<- c("row1","row2","row3","row4","row5")
my_data## col1 col2 col3
## row1 5 2 7
## row2 6 4 3
## row3 7 5 4
## row4 8 9 8
## row5 9 8 7# Mengetahui dimensi matriks
dimensi_mydata<-dim(my_data)
dimensi_mydata## [1] 5 3# Mengeluarkan subset matriks yang hanya diinginkan misalnya, pilih baris 2 sampai 4
my_data[2:4,]## col1 col2 col3
## row2 6 4 3
## row3 7 5 4
## row4 8 9 8__Membuat matriks dengan fungsi Matriks dengan dimensi yang diinginkan
Untuk membuat matriks di R, kita dapat gunakan fungsi matrix() dengan argumen pertama adalah vector. Argumen untuk menentukan ukuran matriks kita dapat gunakan ncol atau nrow. Bisa kita gunakan keduanya atau hanya salah satu saja.
# Membuat vector Matriks
x <- c(1, 2, 5, 4, 2, 2, 3, 3, 5, 3, 1, 0, 4, 3, 0, 6)
x## [1] 1 2 5 4 2 2 3 3 5 3 1 0 4 3 0 6Karena vector x memiliki 16 elemen, maka dimensi matriks yang dapat dibuat adalah 2 angka yang hasil perkaliannya menghasilkan nilai 16. Salah satunya adalah 4 x 4 = 16.Misalnya kita gunakan nrow = 8 agar menghasilkan 16 maka dimensi matriks yang ungkin terbentuk 8x2
# membuat matriks menggunakan fungsi matriks dengan dimensi 4x4
m <- matrix(data = x, nrow = 4,ncol = 4)
m## [,1] [,2] [,3] [,4]
## [1,] 1 2 5 4
## [2,] 2 2 3 3
## [3,] 5 3 1 0
## [4,] 4 3 0 6n <- matrix(data = x, nrow = 8)
n## [,1] [,2]
## [1,] 1 5
## [2,] 2 3
## [3,] 5 1
## [4,] 4 0
## [5,] 2 4
## [6,] 2 3
## [7,] 3 0
## [8,] 3 64. Membuat Factor dari vector dalam R
Factor merupakan bentuk lebih luas dari vector. Biasanya factor lebih sering digunakan untuk menyimpan data nominal atau ordinal. Misalnya vector character yang berisi “male” dan “female”. Pada vector character, nilainya adalah “male” dan “female” seperti terlihat apa adanya. Namun pada factor, tampilan dari isi datanya mungkin “male” dan “female” tetapi isi dari factor adalah pengkodean numerik. Misal untuk “female” nilai sebenarnya adalah 1, sedangkan “male” bernilai 2.
fc <- factor(c("SD", "SMA", "SMP", "SMP", "SD", "SMA", "SD", "SMP"))
fc## [1] SD SMA SMP SMP SD SMA SD SMP
## Levels: SD SMA SMP#Mengeluarkan niai sebenarnya dari factor
print.default(fc)## [1] 1 2 3 3 1 2 1 3Factor mempunyai level, secara default levelnya adalah berdasarkan urutan alfabet. Untuk merubah level dari sebuah factor, gunakan argumen levels =.
factor(fc, levels = c("SD", "SMP", "SMA"))## [1] SD SMA SMP SMP SD SMA SD SMP
## Levels: SD SMP SMA4. Membuat Data Frame
Dataframe layaknya sebuah tabel di Ms Excel, terdiri dari baris dan kolom dengan nama masing-masing kolom berbeda. Apa bedanya dengan matriks? Matriks hanya bisa menyimpan tipe data yang sama, numeric atau character seluruhnya. Pada dataframe, masing-masing kolom boleh memiliki tipe data yang berbeda. Dataframe seperti umumnya bentuk tabel yang sering kita gunakan.
Contoh dataframe yang ada di dalam R salah satunya adalah mtcars.
df <- mtcars
df## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2df$mpg## [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4
## [16] 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7
## [31] 15.0 21.4summary(df)## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000Import Data
Sebagai alat bantu untuk mengolah, analisis dan visualisasi data sekaligus juga sebagai bahasa pemrograman tentunya R harus memiliki kemampuan untuk mebaca data. Oleh karena itu, R dibekali kemampuan membaca data atau import dari file dan database. Selain harus bisa imprort data, kemampuan lain adalah export data atau hasil analisis data. Tentu saja saat ini sangat banyak tipe data yang didukung oleh R dengan bantuan tambahan package yang sesuai. Namun pada kesempatan ini hanya akan membahas beberapa jenis data file eksternal dan jenis database.
Jenis file yang akan dibahas adalah Excel file.
Jenis file lain yang juga sering digunakan adalah file Excel. Kita dapat menggunakan package {readxl} dengan fungsi read_excel() untuk import data dari file Excel. Argumen path = adalah lokasi dan nama file Excel yang akan kita gunakan.
library(readxl)Pada file excel data_praktik memuat dua sheet excel, sheet1 berisi data demand (untuk sebagai contoh keperluan regresi linier) dan sheet2 berisi data ipm (yang dapat digunakan sebagai contoh data panel statis/dinamis)
data.demand <- read_excel(path = "Data/data_01.xlsx", col_names = TRUE, sheet="sheet1")
head(data.demand)## # A tibble: 6 x 5
## Demand Harga Harga_Kompetitor Biaya_Iklan Income
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1290 137 94 814 42498
## 2 1117 147 81 896 41399
## 3 1155 149 89 852 39905
## 4 1299 117 92 854 34871
## 5 1166 135 86 810 34239
## 6 1186 143 79 768 44452data.ipm <- read_excel(path = "Data/data_02.xlsx", col_names = TRUE, sheet="sheet1")
head(data.ipm)## # A tibble: 6 x 8
## provinsi tahun ipm_p idg keluhan_p ahh_p exp_p tidak_sekolah_p
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Aceh 2010 63.5 53.4 37.0 71.1 8.70 5.98
## 2 Aceh 2011 64.1 52.1 32.1 71.2 8.75 4.67
## 3 Aceh 2012 65.0 54.4 32.6 71.2 8.79 4.75
## 4 Aceh 2013 65.7 59.8 30.5 71.3 8.83 4.3
## 5 Aceh 2014 66.9 65.1 32.0 71.3 8.89 3.76
## 6 Aceh 2015 67.5 65.6 30.3 71.5 8.91 4.19