Praktik Pemodelan Statistika dan Simulasi
Nurdiana Rizki R
2025-02-21
4 + 2 # Penjumlahan ## [1] 67 - 1 # Pengurangan## [1] 63 * 2 # Perkalian## [1] 618/3 # Pembagian## [1] 62^3 # Pangkat## [1] 8Pembuatan Variabel
a <- 10
b <- 5
c <- a + b
c # Menampilkan nilai variabel## [1] 15Struktur Data
vektor <- c(1,2,3,4,5)
vektor## [1] 1 2 3 4 5Membuat Vektor Karakter
bunga <- c("mawar","anggrek","tulip","mawar","anggrek","tulip","mawar")
bunga## [1] "mawar" "anggrek" "tulip" "mawar" "anggrek" "tulip" "mawar"Mengonversi ke Faktor
bunga_factor <- factor(bunga)Menampilkan struktur faktor
str(bunga_factor) # menampilkan struktur dari faktor 'warna_factor"## Factor w/ 3 levels "anggrek","mawar",..: 2 1 3 2 1 3 2Menampilkan level dalam faktor
levels(bunga_factor)## [1] "anggrek" "mawar" "tulip"Frekuensi tiap kategori
table(bunga_factor)## bunga_factor
## anggrek mawar tulip
## 2 3 2Membuat list berisi berbagai jenis data
data_list <- list(
angka = c(10, 20, 30, 40),
teks = c("A", "B", "C"),
kategori = factor(c("Baik", "Sedang", "Buruk"))
)
print(data_list) # Menampilkan isi list## $angka
## [1] 10 20 30 40
##
## $teks
## [1] "A" "B" "C"
##
## $kategori
## [1] Baik Sedang Buruk
## Levels: Baik Buruk SedangMengakses Elemen List
data_list$angka # elemen 'angka'## [1] 10 20 30 40data_list[[2]]## [1] "A" "B" "C"Membuat dataframe
data_karyawan <- data.frame(
Nama = c("Aqeela", "Mohan", "Zara", "Fattah"), # kolom nama
Usia = c(17, 19, 14, 19), # kolom usia
Pekerjaan = factor(c("Manajer", "Vokalis", "Ballet", "CEO"))
)
print(data_karyawan)## Nama Usia Pekerjaan
## 1 Aqeela 17 Manajer
## 2 Mohan 19 Vokalis
## 3 Zara 14 Ballet
## 4 Fattah 19 CEOMenampilkan Ringkasan Dataframe
summary(data_karyawan)## Nama Usia Pekerjaan
## Length:4 Min. :14.00 Ballet :1
## Class :character 1st Qu.:16.25 CEO :1
## Mode :character Median :18.00 Manajer:1
## Mean :17.25 Vokalis:1
## 3rd Qu.:19.00
## Max. :19.00Membuat array 3 dimensi
array_data <- array(1:24, dim = c(3,4,2))
print(array_data)## , , 1
##
## [,1] [,2] [,3] [,4]
## [1,] 1 4 7 10
## [2,] 2 5 8 11
## [3,] 3 6 9 12
##
## , , 2
##
## [,1] [,2] [,3] [,4]
## [1,] 13 16 19 22
## [2,] 14 17 20 23
## [3,] 15 18 21 24Menampilkan Dimensi Array
dim(array_data)## [1] 3 4 2Membuat Vektor dengan Nilai NA
nilai <- c(90,85, NA, 75, 80, NA, 95) # membuat vektor dengan beberapa nilai NA
is.na(nilai) # mengecek nilai NA dalam vektor## [1] FALSE FALSE TRUE FALSE FALSE TRUE FALSEsum(is.na(nilai)) # Menghitung total nilai NA dlm vektor## [1] 2Sequence Generation
x1 <- seq(0, 10, length=5) # Membuat sequence dari 0 hingga 10 dengan 5 elemen
x1 # Menampilkan sequence## [1] 0.0 2.5 5.0 7.5 10.0x2 <- seq(0,10,length=6) # Membuat deret angka dengan 6 elemen
x2## [1] 0 2 4 6 8 10x3 <- seq(0,10,length=7) # Membuat deret angka dengan 7 elemen
x3## [1] 0.000000 1.666667 3.333333 5.000000 6.666667 8.333333 10.000000x4 <- seq(0,10,length=10) # Membuat deret angka dengan 7 elemen
x4## [1] 0.000000 1.111111 2.222222 3.333333 4.444444 5.555556 6.666667
## [8] 7.777778 8.888889 10.000000Pembulatan Pecahan Desimal
round(x3) # membulatkan nilai 'x3' ke bilangan bulat## [1] 0 2 3 5 7 8 10floor(x3) # membulatkan nilai dalam 'x3' ke bawah## [1] 0 1 3 5 6 8 10ceiling(x3) # membuat nilai dalam 'x3' ke atas## [1] 0 2 4 5 7 9 10Replicate elements of vectors and lists
rep(c("A", "B", "C"), 5) # Mengulang vektor "A", "B", "C" sebanyak 5 kali## [1] "A" "B" "C" "A" "B" "C" "A" "B" "C" "A" "B" "C" "A" "B" "C"rep(c("A", "B", "C"), each=5) # Mengulang setiap elemen vektor "A", "B", "C" sebanyak 5 kali## [1] "A" "A" "A" "A" "A" "B" "B" "B" "B" "B" "C" "C" "C" "C" "C"rep(c("A", "B", "C"), each=2, 5) # Mengulang setiap elemen vektor "A", "B", "C" sebanyak 2 kali, dan seluruhnya diulang 5 kali## [1] "A" "A" "B" "B" "C" "C" "A" "A" "B" "B" "C" "C" "A" "A" "B" "B" "C" "C" "A"
## [20] "A" "B" "B" "C" "C" "A" "A" "B" "B" "C" "C"rep(1:5, 5) # Mengulang vektor 1 hingga 5 sebanyak 5 kali## [1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5rep(1:5, each=5) # Mengulang setiap elemen vektor 1 hingga 5 sebanyak 5 kali## [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5rep(1:5, each=2, 5) # Mengulang setiap elemen vektor 1 hingga 5 sebanyak 2 kali, dan seluruhnya diulang 5 kali## [1] 1 1 2 2 3 3 4 4 5 5 1 1 2 2 3 3 4 4 5 5 1 1 2 2 3 3 4 4 5 5 1 1 2 2 3 3 4 4
## [39] 5 5 1 1 2 2 3 3 4 4 5 5Fungsi Dasar Statistika pada R
# Membuat data x dan y
x <- c(3, 4, 5, 6) # Membuat vektor x
y <- c(2, 3, 4, 5, 6, 6) # Membuat vektor y# Menghitung nilai statistik dasar
min(x) # Menghitung nilai minimum dari vektor x## [1] 3max(y) # Menghitung nilai maksimum dari vektor y## [1] 6mean(x) # Menghitung rata-rata dari vektor x## [1] 4.5var(y) # Menghitung variansi dari vektor y## [1] 2.666667cor(x, y[1:length(x)]) # Menghitung korelasi antara vektor x dan y ## [1] 1# Menentukan range (jangkauan nilai)
range(x) # Menghitung range dari vektor x## [1] 3 6range(y) # Menghitung range dari vektor y## [1] 2 6Simulasi Sampel Acak
# Simulasi pelemparan koin (0 = ekor, 1 = kepala)
set.seed(123) # Mengatur seed untuk hasil yang konsisten
sample(0:1, 30, replace = TRUE) # Simulasi pelemparan koin sebanyak 30 kali## [1] 0 0 0 1 0 1 1 1 0 0 1 1 1 0 1 0 1 0 0 0 0 1 0 0 0 0 1 1 0 1# Simulasi pengambilan sampel huruf "A" dan "G" sebanyak 15 kali
sample(c("A", "G"), 15, replace = TRUE) ## [1] "A" "G" "A" "G" "G" "A" "A" "A" "A" "G" "A" "G" "G" "A" "A"# Simulasi pelemparan dadu sebanyak 30 kali
sample(1:6, 30, replace = TRUE) ## [1] 1 1 2 3 4 5 5 3 6 1 2 5 5 4 5 2 1 1 3 1 6 5 1 2 4 4 6 6 3 6Manipulasi Data
library(dplyr)## Warning: package 'dplyr' was built under R version 4.3.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(data.table)## Warning: package 'data.table' was built under R version 4.3.3##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, lastlibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3data <- as_tibble(mtcars)
class(data)## [1] "tbl_df" "tbl" "data.frame"data## # A tibble: 32 × 11
## mpg cyl disp hp drat wt qsec vs am gear carb
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
## 2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
## 3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
## 5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
## 6 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
## 7 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
## 8 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
## 9 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
## 10 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
## # ℹ 22 more rowsdata_slice <- slice(data, 1:15)
data_slice## # A tibble: 15 × 11
## mpg cyl disp hp drat wt qsec vs am gear carb
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
## 2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
## 3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
## 5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
## 6 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
## 7 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
## 8 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
## 9 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
## 10 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
## 11 17.8 6 168. 123 3.92 3.44 18.9 1 0 4 4
## 12 16.4 8 276. 180 3.07 4.07 17.4 0 0 3 3
## 13 17.3 8 276. 180 3.07 3.73 17.6 0 0 3 3
## 14 15.2 8 276. 180 3.07 3.78 18 0 0 3 3
## 15 10.4 8 472 205 2.93 5.25 18.0 0 0 3 4arrange(data_slice, desc(data_slice$mpg))## # A tibble: 15 × 11
## mpg cyl disp hp drat wt qsec vs am gear carb
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
## 2 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
## 3 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
## 5 21 6 160 110 3.9 2.62 16.5 0 1 4 4
## 6 21 6 160 110 3.9 2.88 17.0 0 1 4 4
## 7 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
## 8 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
## 9 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
## 10 17.8 6 168. 123 3.92 3.44 18.9 1 0 4 4
## 11 17.3 8 276. 180 3.07 3.73 17.6 0 0 3 3
## 12 16.4 8 276. 180 3.07 4.07 17.4 0 0 3 3
## 13 15.2 8 276. 180 3.07 3.78 18 0 0 3 3
## 14 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
## 15 10.4 8 472 205 2.93 5.25 18.0 0 0 3 4datatable <- data.table(mtcars)
datatable## mpg cyl disp hp drat wt qsec vs am gear carb
## <num> <num> <num> <num> <num> <num> <num> <num> <num> <num> <num>
## 1: 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## 2: 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## 3: 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## 4: 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## 5: 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## 6: 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## 7: 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## 8: 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## 9: 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## 10: 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## 11: 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## 12: 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## 13: 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## 14: 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## 15: 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## 16: 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## 17: 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## 18: 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## 19: 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## 20: 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## 21: 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## 22: 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## 23: 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## 24: 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## 25: 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## 26: 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## 27: 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## 28: 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## 29: 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## 30: 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## 31: 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## 32: 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
## mpg cyl disp hp drat wt qsec vs am gear carbdatatable$new_col <- datatable$hp
datatable$new_col## [1] 110 110 93 110 175 105 245 62 95 123 123 180 180 180 205 215 230 66 52
## [20] 65 97 150 150 245 175 66 91 113 264 175 335 109setkey(datatable, hp)
key(datatable)## [1] "hp"datatable[,.(mean=mean(mpg), IQR=IQR(mpg), median=median(mpg)), by=hp]## Key: <hp>
## hp mean IQR median
## <num> <num> <num> <num>
## 1: 52 30.40000 0.00 30.40
## 2: 62 24.40000 0.00 24.40
## 3: 65 33.90000 0.00 33.90
## 4: 66 29.85000 2.55 29.85
## 5: 91 26.00000 0.00 26.00
## 6: 93 22.80000 0.00 22.80
## 7: 95 22.80000 0.00 22.80
## 8: 97 21.50000 0.00 21.50
## 9: 105 18.10000 0.00 18.10
## 10: 109 21.40000 0.00 21.40
## 11: 110 21.13333 0.20 21.00
## 12: 113 30.40000 0.00 30.40
## 13: 123 18.50000 0.70 18.50
## 14: 150 15.35000 0.15 15.35
## 15: 175 19.20000 0.50 19.20
## 16: 180 16.30000 1.05 16.40
## 17: 205 10.40000 0.00 10.40
## 18: 215 10.40000 0.00 10.40
## 19: 230 14.70000 0.00 14.70
## 20: 245 13.80000 0.50 13.80
## 21: 264 15.80000 0.00 15.80
## 22: 335 15.00000 0.00 15.00
## hp mean IQR medianplot_data <- ggplot(data,aes(x=mpg, y=disp)) + geom_point(aes(colour=hp))
plot_data
LATIHAN 1. Ketikkan perintah di bawah ini dan berikan pernyataan apa saja yang dapat kalian peroleh dari perintah tersebut! —————————————————– nama_vector <- c(5,FALSE,“true”,“8.3”,“Statistika”) nama_vector —————————————————–
nama_vector <- c(5, FALSE, "true", "8.3", "Statistika")
nama_vector## [1] "5" "FALSE" "true" "8.3" "Statistika"- Cobalah untuk membuat List dengan nama contoh_list yang memiliki elemen sama dengan Latihan no.1, dan panggil seluruh elemen. Berikan perbedaan list dan vector yang dapat kalian peroleh setelah melakukan perintah tersebut
predikat_list <- list(5, FALSE, "true", "4.0", "Cumlaude")
predikat_list## [[1]]
## [1] 5
##
## [[2]]
## [1] FALSE
##
## [[3]]
## [1] "true"
##
## [[4]]
## [1] "4.0"
##
## [[5]]
## [1] "Cumlaude"list dan vector memiliki perbedaan berdasarkan hasil output. list memiliki tipe data yang berbeda dalam satu struktur data (heterogen), sedangkan vector memiliki tipe data yang sama (homogen). elemen dari vector diapit oleh tanda (““) yang menunjukkan bahwa hasilnya merupakan string (karakter).
- Dalam melakukan pemanggilan elemen, kita dapat menggunakan index elemen atau nama kolom. Buatlah data frame dengan nama kelompok_kkn berupa tabel tiga kolom terdiri atas: nama,nim, dan prodi. Isikan minimal 10 baris. Lakukan eksperimen pemanggilan isi tabel, meliputi pemanggilan baris, kolom, dan elemen tabel. Jelaskan mengenai perbedaan cara pemanggilan dalam data frame tersebut.
kelompok_kkn <- data.frame(
Nama = c("Nichole", "Arya", "Calista", "Syach","Noel","Ciara","Vio","Raisa","Victoria","Harry", "Yuka"),
NIM = c(2204030201, 2205040302, 2206050403, 2207060504, 2208070605, 2209080706, 2210090807, 2211100908, 2212111009, 2213121110, 2214131211),
Prodi = factor(c("Kesehatan Masyarakat", "Teknik Sipil", "Hukum", "Statistika", "Teknik Informatika","Sistem Informasi", "Komunikasi", "Geografi", "Teknik Elektro", "Psikologi", "PGSD"))
)Menampilkan Dataframe
print(kelompok_kkn)## Nama NIM Prodi
## 1 Nichole 2204030201 Kesehatan Masyarakat
## 2 Arya 2205040302 Teknik Sipil
## 3 Calista 2206050403 Hukum
## 4 Syach 2207060504 Statistika
## 5 Noel 2208070605 Teknik Informatika
## 6 Ciara 2209080706 Sistem Informasi
## 7 Vio 2210090807 Komunikasi
## 8 Raisa 2211100908 Geografi
## 9 Victoria 2212111009 Teknik Elektro
## 10 Harry 2213121110 Psikologi
## 11 Yuka 2214131211 PGSDMemanggil Kolom Nama
kelompok_kkn$Nama ## [1] "Nichole" "Arya" "Calista" "Syach" "Noel" "Ciara"
## [7] "Vio" "Raisa" "Victoria" "Harry" "Yuka"Memanggil Baris Tertentu
kelompok_kkn[2, ] ## Nama NIM Prodi
## 2 Arya 2205040302 Teknik SipilMemanggil Elemen Spesifik
kelompok_kkn[2, 1] ## [1] "Arya"Perbedaan: $: digunakan untuk memanggil kolom berdasarkan nama. Hanya dapat memanggil satu kolom [row, coloumn]: digunakan untuk memanggil baris berdasarkan elemen baris dan kolom [row, ][ ,coloumn]: digunakan untuk memanggil seluruh baris atau kolom berdasarkan indeksnya
- Buatlah data frame yang beberapa datanya berupa missing value. Carilah letak atau posisi data yang berupa missing value tersebut dengan menggunakan perintah is.na.
kelompok_kkn <- data.frame(
Nama = c("Nichole", "Arya", "Calista", "Syach", NA,"Ciara", NA, NA,"Victoria","Harry", NA),
NIM = c(2204030201, 2205040302, 2206050403, 2207060504, NA, 2209080706, NA, NA, 2212111009, 2213121110, NA),
Prodi = factor(c("Kesehatan Masyarakat", "Teknik Sipil", "Hukum", "Statistika", NA,"Sistem Informasi", NA, NA, "Teknik Elektro", "Psikologi", NA))
)Mengecek nilai yang hilang
is.na(kelompok_kkn)## Nama NIM Prodi
## [1,] FALSE FALSE FALSE
## [2,] FALSE FALSE FALSE
## [3,] FALSE FALSE FALSE
## [4,] FALSE FALSE FALSE
## [5,] TRUE TRUE TRUE
## [6,] FALSE FALSE FALSE
## [7,] TRUE TRUE TRUE
## [8,] TRUE TRUE TRUE
## [9,] FALSE FALSE FALSE
## [10,] FALSE FALSE FALSE
## [11,] TRUE TRUE TRUEMenghitung jumlah nilai NA dalam vektor
sum(is.na(kelompok_kkn))## [1] 12