PEMOGRAMAN SAINS DATA

Pratikum Pemograman Dasar

Fikaa.jpg

Pratikum Pemograman Dasar

1. Mengidentifikasi Tipe Data

a <- 42L

b <- 3.14

c <- “Hello”

d <- FALSE

e <- c(1, 2, 3)

f <- list(name <- “Alice”, age <- 25)

1.Identifikasi tipe data setiap variabel di atas.

a <- 42L # Integer

b <- 3.14 # Double (Numeric)

c <- “Hello” # Character

d <- FALSE # Logical

e <- c(1, 2, 3) # Vector (Numeric)

f <- list(name <- “Alice”, age <- 25} # List

2. Mencetak Tipe Data

# b = 3.14
b <- 3.14
print(class(b))  # Output: "numeric"
## [1] "numeric"
# c = "Hello"
c <- "Hello"
print(class(c))  # Output: "character"
## [1] "character"
# d = FALSE
d <- FALSE
print(class(d))  # Output: "logical"
## [1] "logical"
# e = c(1, 2, 3)
e <- c(1, 2, 3)
print(class(e))  # Output: "numeric"
## [1] "numeric"
# f = list(name = "Alice", age = 25)
f <- list(name = "Alice", age = 25)
print(class(f))  # Output: "list"
## [1] "list"

2. Variabel dan Manipulasi Data

x <- 20 y <- 5 text1 <- “Data” text2 <- “Science”

1. Perbarui nilai x dengan menambahkan 10

# Membuat variabel
x <- 20
y <- 5
text1 <- "Data"
text2 <- "Science"

# 1. Perbarui nilai dengan menambahkan 10
x <- x + 10  # Sekarang x = 30
y <- y + 10  # Sekarang y = 15
print(paste("Nilai x setelah ditambah 10 adalah:", x))
## [1] "Nilai x setelah ditambah 10 adalah: 30"
print(paste("Nilai y setelah ditambah 10 adalah:", y))
## [1] "Nilai y setelah ditambah 10 adalah: 15"

2. Gabungkan text1 dan text2 ke dalam “Data Science”

text_combined <- paste(text1, text2)
print(text_combined)  # Output: "Data Science"
## [1] "Data Science"

3. Ubah teks gabungan menjadi huruf besar

text_upper <- toupper(text_combined)
print(text_upper)  # Output: "DATA SCIENCE"
## [1] "DATA SCIENCE"

3. Operasi Aritmatika

a <- 15

b <- 4

1. Hitunglah jumlah, selisih, produk, pembagian, dan modulo dari a dan b

a <- 15
b <- 4

# Jumlah
jumlah <- a + b
print(paste("Jumlah:", jumlah)) 
## [1] "Jumlah: 19"
# Selisih
selisih <- a - b
print(paste("Selisih:", selisih)) 
## [1] "Selisih: 11"
# Produk
produk <- a * b
print(paste("Produk:", produk))
## [1] "Produk: 60"
# Pembagian
pembagian <- a / b
print(paste("Pembagian:", pembagian))
## [1] "Pembagian: 3.75"
# Modulo
modulo <- a %% b
print(paste("Modulo:", modulo))
## [1] "Modulo: 3"

2. Hitunglah a pangkat b

result <- a ^ b
print(result)
## [1] 50625

3. Buat variabel baru c <- a/b dan ubah menjadi integer

# Membuat variabel
a <- 15
b <- 4

# 3. Buat variabel baru c <- a/b dan ubah menjadi integer
c <- a / b
cat("Hasil c = a / b adalah:", c, "\n")  # Output: 3.75
## Hasil c = a / b adalah: 3.75
# Ubah menjadi integer
c_integer <- as.integer(c)
cat("Hasil c dalam bentuk integer adalah:", c_integer, "\n")  # Output: 3
## Hasil c dalam bentuk integer adalah: 3

4. Operasi String

1.1. Ekstrak 5 karakter pertama dari teks

# Membuat variabel teks
text <- "Hello, Data Science!"

# Ekstrak 5 karakter pertama
text_first5 <- substr(text, start = 1, stop = 5)
cat("5 karakter pertama adalah:", text_first5, "\n")
## 5 karakter pertama adalah: Hello

2.Hitung jumlah karakter dalam teks

# 2. Hitung jumlah karakter dalam teks
jumlah_karakter <- nchar(text)
cat("Jumlah karakter dalam teks adalah:", jumlah_karakter, "\n")
## Jumlah karakter dalam teks adalah: 20

3. Mengubah teks menjadi huruf kecil

# 3. Mengubah teks menjadi huruf kecil
text_lower <- tolower(text)
cat("Teks dalam huruf kecil adalah:", text_lower, "\n")
## Teks dalam huruf kecil adalah: hello, data science!

5. Operator Perbandingan dan Logika

1. Periksa apakah x lebih besar dari y

# Membuat variabel
x <- 7
y <- 10

# 1. Periksa apakah x lebih besar dari y
hasil <- x > y
cat("Apakah x lebih besar dari y?:", hasil, "\n")
## Apakah x lebih besar dari y?: FALSE

2. Periksa apakah x kurang dari atau sama dengan y

# Membuat variabel
x <- 7
y <- 10

# 2. Periksa apakah x kurang dari atau sama dengan y
hasil <- x <= y
cat("Apakah x kurang dari atau sama dengan y?:", hasil, "\n")
## Apakah x kurang dari atau sama dengan y?: TRUE

3. Periksa apakah x tidak sama dengan y

# Membuat variabel
x <- 7
y <- 10

# 3. Periksa apakah x tidak sama dengan y
hasil <- x != y
cat("Apakah x tidak sama dengan y?:", hasil, "\n")
## Apakah x tidak sama dengan y?: TRUE

4. Evaluasilah ekspresi (x > 5) AND (y < 20)

# Membuat variabel
x <- 7
y <- 10

# 4. Evaluasi ekspresi (x > 5) AND (y < 20)
hasil <- (x > 5) & (y < 20)
cat("Hasil evaluasi ekspresi (x > 5) AND (y < 20):", hasil, "\n")
## Hasil evaluasi ekspresi (x > 5) AND (y < 20): TRUE

6. Konversi Tipe Data

1. Ubah num_str ke bilangan bulat dan tambahkan 10

# Membuat variabel
num_str <- "123"
num_float <- 45.67

# 1. Ubah num_str ke bilangan bulat dan tambahkan 10
num_int <- as.integer(num_str)  # Mengubah string menjadi integer
hasil <- num_int + 10
cat("Hasil setelah menambahkan 10:", hasil, "\n")
## Hasil setelah menambahkan 10: 133

2. Ubah num_float ke bilangan bulat

# 2. Ubah num_float ke bilangan bulat
num_int <- as.integer(num_float)  # Mengubah float menjadi integer
cat("num_float setelah diubah menjadi bilangan bulat:", num_int, "\n")
## num_float setelah diubah menjadi bilangan bulat: 45

3. Konversikan num_float kembali menjadi string

# 3. Konversikan num_float kembali menjadi string
num_str_converted <- as.character(num_float)  # Mengubah float menjadi string
cat("num_float setelah diubah menjadi string:", num_str_converted, "\n")
## num_float setelah diubah menjadi string: 45.67
---
title: "PEMOGRAMAN SAINS DATA"

subtitle: "Pratikum Pemograman Dasar"

author: 
  - " Fika Irsandi Desvyanti (522400013)"
  
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"   
    code_download: yes
    css: "Style.css"
    
---

 <img id="logo-utama" src="Fikaa.jpg" alt="Fikaa.jpg" style="width:200px; display: block; margin: auto;">

---


# Pratikum Pemograman Dasar

## 1. Mengidentifikasi Tipe Data

a <- 42L

b <- 3.14

c <- "Hello"

d <- FALSE

e <- c(1, 2, 3)

f <- list(name <- "Alice", age <- 25)



 **1.Identifikasi tipe data setiap variabel di atas.**

a <- 42L                                # Integer

b <- 3.14                               # Double (Numeric)

c <- "Hello"                            # Character

d <- FALSE                               # Logical

e <- c(1, 2, 3)                          # Vector (Numeric)

f <- list(name <- "Alice", age <- 25}    # List


**2. Mencetak Tipe Data**

```{r  message=TRUE, warning=TRUE, echo=TRUE}

# b = 3.14
b <- 3.14
print(class(b))  # Output: "numeric"

# c = "Hello"
c <- "Hello"
print(class(c))  # Output: "character"

# d = FALSE
d <- FALSE
print(class(d))  # Output: "logical"

# e = c(1, 2, 3)
e <- c(1, 2, 3)
print(class(e))  # Output: "numeric"

# f = list(name = "Alice", age = 25)
f <- list(name = "Alice", age = 25)
print(class(f))  # Output: "list"

```

## 2. Variabel dan Manipulasi Data

x <- 20
y <- 5
text1 <- "Data"
text2 <- "Science"


**1. Perbarui nilai x dengan menambahkan 10**


```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
x <- 20
y <- 5
text1 <- "Data"
text2 <- "Science"

# 1. Perbarui nilai dengan menambahkan 10
x <- x + 10  # Sekarang x = 30
y <- y + 10  # Sekarang y = 15
print(paste("Nilai x setelah ditambah 10 adalah:", x))
print(paste("Nilai y setelah ditambah 10 adalah:", y))

```

 
**2. Gabungkan text1 dan text2 ke dalam "Data Science"**
```{r message=TRUE, warning=TRUE, echo=TRUE}
text_combined <- paste(text1, text2)
print(text_combined)  # Output: "Data Science"
```

**3. Ubah teks gabungan menjadi huruf besar**
```{r message=TRUE, warning=TRUE, echo=TRUE}
text_upper <- toupper(text_combined)
print(text_upper)  # Output: "DATA SCIENCE"
```

## 3. Operasi Aritmatika

a <- 15

b <- 4

**1. Hitunglah jumlah, selisih, produk, pembagian, dan modulo dari a dan b**

```{r message=TRUE, warning=TRUE, echo=TRUE}

a <- 15
b <- 4

# Jumlah
jumlah <- a + b
print(paste("Jumlah:", jumlah)) 

# Selisih
selisih <- a - b
print(paste("Selisih:", selisih)) 

# Produk
produk <- a * b
print(paste("Produk:", produk))

# Pembagian
pembagian <- a / b
print(paste("Pembagian:", pembagian))

# Modulo
modulo <- a %% b
print(paste("Modulo:", modulo))

```

**2. Hitunglah a pangkat b**

```{r message=TRUE, warning=TRUE, echo=TRUE}

result <- a ^ b
print(result)

```


**3. Buat variabel baru c <- a/b dan ubah menjadi integer**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
a <- 15
b <- 4

# 3. Buat variabel baru c <- a/b dan ubah menjadi integer
c <- a / b
cat("Hasil c = a / b adalah:", c, "\n")  # Output: 3.75

# Ubah menjadi integer
c_integer <- as.integer(c)
cat("Hasil c dalam bentuk integer adalah:", c_integer, "\n")  # Output: 3


```

## 4. Operasi String

**1.1. Ekstrak 5 karakter pertama dari teks**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel teks
text <- "Hello, Data Science!"

# Ekstrak 5 karakter pertama
text_first5 <- substr(text, start = 1, stop = 5)
cat("5 karakter pertama adalah:", text_first5, "\n")

```

**2.Hitung jumlah karakter dalam teks**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# 2. Hitung jumlah karakter dalam teks
jumlah_karakter <- nchar(text)
cat("Jumlah karakter dalam teks adalah:", jumlah_karakter, "\n")
```


**3. Mengubah teks menjadi huruf kecil**

```{r  message=TRUE, warning=TRUE, echo=TRUE}
# 3. Mengubah teks menjadi huruf kecil
text_lower <- tolower(text)
cat("Teks dalam huruf kecil adalah:", text_lower, "\n")
```

## 5. Operator Perbandingan dan Logika 

**1. Periksa apakah x lebih besar dari y**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
x <- 7
y <- 10

# 1. Periksa apakah x lebih besar dari y
hasil <- x > y
cat("Apakah x lebih besar dari y?:", hasil, "\n")

```

**2. Periksa apakah x kurang dari atau sama dengan y**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
x <- 7
y <- 10

# 2. Periksa apakah x kurang dari atau sama dengan y
hasil <- x <= y
cat("Apakah x kurang dari atau sama dengan y?:", hasil, "\n")

```

**3. Periksa apakah x tidak sama dengan y**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
x <- 7
y <- 10

# 3. Periksa apakah x tidak sama dengan y
hasil <- x != y
cat("Apakah x tidak sama dengan y?:", hasil, "\n")

```

**4. Evaluasilah ekspresi (x > 5) AND (y < 20)**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
x <- 7
y <- 10

# 4. Evaluasi ekspresi (x > 5) AND (y < 20)
hasil <- (x > 5) & (y < 20)
cat("Hasil evaluasi ekspresi (x > 5) AND (y < 20):", hasil, "\n")

```

## 6. Konversi Tipe Data

**1. Ubah num_str ke bilangan bulat dan tambahkan 10**

```{r message=TRUE, warning=TRUE, echo=TRUE}
# Membuat variabel
num_str <- "123"
num_float <- 45.67

# 1. Ubah num_str ke bilangan bulat dan tambahkan 10
num_int <- as.integer(num_str)  # Mengubah string menjadi integer
hasil <- num_int + 10
cat("Hasil setelah menambahkan 10:", hasil, "\n")

```


**2. Ubah num_float ke bilangan bulat**


```{r message=TRUE, warning=TRUE, echo=TRUE}

# 2. Ubah num_float ke bilangan bulat
num_int <- as.integer(num_float)  # Mengubah float menjadi integer
cat("num_float setelah diubah menjadi bilangan bulat:", num_int, "\n")

```

**3. Konversikan num_float kembali menjadi string**

```{r  message=TRUE, warning=TRUE, echo=TRUE}
# 3. Konversikan num_float kembali menjadi string
num_str_converted <- as.character(num_float)  # Mengubah float menjadi string
cat("num_float setelah diubah menjadi string:", num_str_converted, "\n")

```









