Pemodelan statistika dan simulasi
ZULFA LAELA MAULIDA
2025-02-21
Operasi Dasar
Operasi dasar matematika seperti penjumlahan, pengurangan, perkalian, pembagian, dan perpangkatan dapat dilakukan langsung di R. Syntax ini menunjukkan cara melakukan operasi tersebut.
2 + 5 # Penjumlahan: Menambahkan 2 dan 5, hasilnya 7## [1] 75 - 1 # Pengurangan: Mengurangi 5 dengan 1, hasilnya 4## [1] 44 * 2 # Perkalian: Mengalikan 4 dengan 2, hasilnya 8## [1] 810 / 2 # Pembagian: Membagi 10 dengan 2, hasilnya 5## [1] 52^3 # Pangkat: Menghitung 2 pangkat 3, hasilnya 8## [1] 8Pembuatan Variabel
Variabel digunakan untuk menyimpan data. Di R, kita bisa membuat variabel dan mengisinya dengan nilai tertentu, lalu melakukan operasi dengan variabel tersebut.
a <- 15 # Membuat variabel 'a' dan mengisinya dengan nilai 15
b <- 7 # Membuat variabel 'b' dan mengisinya dengan nilai 7
c <- a + b # Membuat variabel 'c' yang berisi hasil penjumlahan 'a' dan 'b'
c # Menampilkan nilai dari variabel 'c'## [1] 22Struktur Data Dasar
R memiliki beberapa struktur data dasar seperti vektor, faktor, list, dan dataframe. Struktur data ini digunakan untuk menyimpan dan mengelola data secara efisien.
vektor <- c(3, 4, 5, 6, 7) # Membuat vektor numerik dengan nilai 3 hingga 7
vektor # Menampilkan isi vektor ## [1] 3 4 5 6 7Membuat Vektor Karakter
Vektor karakter adalah kumpulan data teks yang disimpan dalam satu variabel. Di R, kita bisa membuat vektor karakter menggunakan fungsi c().
warna <- c("ungu", "biru", "hijau", "Merah", "biru", "hijau", "ungu")
warna # Menampilkan isi vektor karakter## [1] "ungu" "biru" "hijau" "Merah" "biru" "hijau" "ungu"Mengonversi ke Faktor
Faktor adalah struktur data di R yang digunakan untuk menyimpan data kategorikal. Konversi ke faktor memungkinkan kita untuk menganalisis data kategorikal dengan lebih efisien.
warna_factor <- factor(warna) # Mengubah vektor karakter menjadi faktorMenampilkan Struktur Faktor
Fungsi str() digunakan untuk menampilkan struktur dari suatu objek, termasuk faktor. Ini membantu memahami tipe data dan level yang ada dalam faktor.
str(warna_factor) # Menampilkan struktur dari faktor 'warna_factor'## Factor w/ 4 levels "biru","hijau",..: 4 1 2 3 1 2 4Menampilkan Level yang Ada dalam Faktor
Level adalah kategori unik dalam faktor. Fungsi levels() digunakan untuk menampilkan semua level yang ada dalam suatu faktor.
levels(warna_factor) # Menampilkan level atau kategori unik dalam faktor## [1] "biru" "hijau" "Merah" "ungu"Frekuensi Tiap Kategori
Fungsi table() digunakan untuk menghitung frekuensi masing-masing kategori dalam faktor. Ini berguna untuk analisis data kategorikal.
table(warna_factor) # Menampilkan frekuensi masing-masing kategori dalam faktor## warna_factor
## biru hijau Merah ungu
## 2 2 1 2Membuat List yang Berisi Berbagai Jenis Data
List adalah struktur data yang dapat menyimpan berbagai jenis data, seperti vektor, teks, dan faktor, dalam satu objek. Ini membuat list sangat fleksibel.
data_list <- list(
angka = c(10, 20, 30, 40),
teks = c("A", "B", "C"),
kategori = factor(c("Baik", "Sedang", "Buruk"))
)Menampilkan Isi List
Fungsi print() digunakan untuk menampilkan seluruh isi list. Ini membantu melihat data yang disimpan dalam list.
print(data_list) # Menampilkan seluruh isi list## $angka
## [1] 10 20 30 40
##
## $teks
## [1] "A" "B" "C"
##
## $kategori
## [1] Baik Sedang Buruk
## Levels: Baik Buruk SedangMengakses Elemen List
Kita bisa mengakses elemen dalam list menggunakan operator $ atau [[ ]]. Ini memungkinkan kita untuk mengambil data spesifik dari list.
data_list$angka # Mengakses elemen 'angka' dalam list## [1] 10 20 30 40data_list[[2]] # Mengakses elemen kedua dalam list (vektor 'teks')## [1] "A" "B" "C"Membuat Dataframe
Dataframe adalah struktur data tabular yang terdiri dari baris dan kolom. Setiap kolom dapat memiliki tipe data yang berbeda, mirip dengan tabel di database.
data_karyawan <- data.frame(
Nama = c("Zulfa", "Atika", "Talita", "Rifa"), # Kolom Nama
Usia = c(19, 17, 14, 8), # Kolom Usia
Pekerjaan = factor(c("Mahasiswa", "pelajar", "Pelajar", "Pelajar")) # Kolom Pekerjaan
)Menampilkan Dataframe
Fungsi print() digunakan untuk menampilkan seluruh isi dataframe. Ini membantu melihat data dalam format tabel.
print(data_karyawan) # Menampilkan seluruh isi dataframe## Nama Usia Pekerjaan
## 1 Zulfa 19 Mahasiswa
## 2 Atika 17 pelajar
## 3 Talita 14 Pelajar
## 4 Rifa 8 PelajarMenampilkan Ringkasan Dataframe
Fungsi summary() memberikan ringkasan statistik dari dataframe, seperti nilai minimum, maksimum, rata-rata, dan frekuensi untuk data kategorikal.
summary(data_karyawan) # Menampilkan ringkasan statistik dari dataframe## Nama Usia Pekerjaan
## Length:4 Min. : 8.0 Mahasiswa:1
## Class :character 1st Qu.:12.5 pelajar :1
## Mode :character Median :15.5 Pelajar :2
## Mean :14.5
## 3rd Qu.:17.5
## Max. :19.0Membuat Array 3 Dimensi
Array adalah struktur data multidimensi. Array 3 dimensi dapat digunakan untuk menyimpan data dalam bentuk matriks 3D.
array_data <- array(1:24, dim = c(5, 4, 2)) # Membuat array dengan dimensi 5x4x3Menampilkan Array
Fungsi print() digunakan untuk menampilkan isi array. Ini membantu melihat data yang disimpan dalam array.
print(array_data) #Menampilkan isi array## , , 1
##
## [,1] [,2] [,3] [,4]
## [1,] 1 6 11 16
## [2,] 2 7 12 17
## [3,] 3 8 13 18
## [4,] 4 9 14 19
## [5,] 5 10 15 20
##
## , , 2
##
## [,1] [,2] [,3] [,4]
## [1,] 21 2 7 12
## [2,] 22 3 8 13
## [3,] 23 4 9 14
## [4,] 24 5 10 15
## [5,] 1 6 11 16Menampilkan Dimensi Array
Fungsi dim() digunakan untuk menampilkan dimensi dari array. Ini membantu memahami struktur array.
dim(array_data) # Menampilkan dimensi dari array## [1] 5 4 2Membuat Vektor dengan Nilai NA
Nilai NA (Not Available) digunakan untuk merepresentasikan data yang hilang. Kita bisa membuat vektor yang mengandung nilai NA dan melakukan pengecekan.
nilai <- c(90, 85, NA, 75, 80, NA, 95) # Membuat vektor dengan beberapa nilai NA
# Mengecek nilai yang hilang
is.na(nilai) # Mengecek apakah ada nilai NA dalam vektor## [1] FALSE FALSE TRUE FALSE FALSE TRUE FALSE# Menghitung jumlah nilai NA dalam vektor
sum(is.na(nilai)) # Menghitung total nilai NA dalam vektor## [1] 2Sequence Generation
Sequence generation digunakan untuk membuat urutan angka dengan interval tertentu. Fungsi seq() membantu membuat urutan angka dengan panjang atau interval yang ditentukan.
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 10.000000Pembulatan Pecahan Desimal
R menyediakan fungsi untuk membulatkan angka desimal, seperti round(), floor(), dan ceiling(). Fungsi ini berguna untuk mengatur presisi angka.
round(x3) # Membulatkan nilai dalam 'x3' ke bilangan bulat terdekat## [1] 0 2 3 5 7 8 10floor(x3) # Membulatkan nilai dalam 'x3' ke bawah## [1] 0 1 3 5 6 8 10ceiling(x3) # Membulatkan nilai dalam 'x3' ke atas## [1] 0 2 4 5 7 9 10Replicate Elements of Vectors and Lists
Fungsi rep() digunakan untuk mengulang elemen dalam vektor atau list. Kita bisa mengulang seluruh vektor atau setiap elemennya secara terpisah.
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
R menyediakan fungsi statistik dasar seperti min(), max(), mean(), var(), dan cor() untuk menghitung nilai statistik dari data. Fungsi ini sangat berguna untuk analisis data.
# 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 (panjang harus sama)## [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
Fungsi sample() digunakan untuk mengambil sampel acak dari data. Ini berguna untuk simulasi atau pengambilan sampel secara 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) # Simulasi pengambilan sampel huruf "A" dan "G"## [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) # Simulasi pelemparan dadu sebanyak 30 kali## [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 6Praktikum Manipulasi Dasar
library(dplyr)##
## 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)##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, lastlibrary(ggplot2)Buatlah suatu variabel bernama “data” yang berupa data lokal dengan menggunakan fungsi tibble::as_tibble() yang berisikan data iris
data <- tibble::as_tibble(iris)class(data)## [1] "tbl_df" "tbl" "data.frame"data## # A tibble: 150 × 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## # ℹ 140 more rowsAmbil data tersebut dari baris pertama hingga ke sepuluh dan masukkan ke dalam variabel baru yaitu data_slice
data_slice <- slice(data, 1:10)
data_slice## # A tibble: 10 × 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosaUrutkan data_slice berdasarkan nilai pada kolom Sepal.Length secara descending
arrange(data_slice, desc(data_slice$Sepal.Length))## # A tibble: 10 × 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 5.4 3.9 1.7 0.4 setosa
## 2 5.1 3.5 1.4 0.2 setosa
## 3 5 3.6 1.4 0.2 setosa
## 4 5 3.4 1.5 0.2 setosa
## 5 4.9 3 1.4 0.2 setosa
## 6 4.9 3.1 1.5 0.1 setosa
## 7 4.7 3.2 1.3 0.2 setosa
## 8 4.6 3.1 1.5 0.2 setosa
## 9 4.6 3.4 1.4 0.3 setosa
## 10 4.4 2.9 1.4 0.2 setosaBuat suatu variabel baru bernama datatable yang memuat data iris dengan menggunakan fungsi data.table
datatable <- data.table(iris)
datatable## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <num> <num> <num> <num> <fctr>
## 1: 5.1 3.5 1.4 0.2 setosa
## 2: 4.9 3.0 1.4 0.2 setosa
## 3: 4.7 3.2 1.3 0.2 setosa
## 4: 4.6 3.1 1.5 0.2 setosa
## 5: 5.0 3.6 1.4 0.2 setosa
## ---
## 146: 6.7 3.0 5.2 2.3 virginica
## 147: 6.3 2.5 5.0 1.9 virginica
## 148: 6.5 3.0 5.2 2.0 virginica
## 149: 6.2 3.4 5.4 2.3 virginica
## 150: 5.9 3.0 5.1 1.8 virginicaBuatlah kolom baru pada tabatable dengan nama new_col menggunakan operator $ dengan elemen sama dengan kolom Species
datatable$new_col <- datatable$Species
datatable$new_col## [1] setosa setosa setosa setosa setosa setosa
## [7] setosa setosa setosa setosa setosa setosa
## [13] setosa setosa setosa setosa setosa setosa
## [19] setosa setosa setosa setosa setosa setosa
## [25] setosa setosa setosa setosa setosa setosa
## [31] setosa setosa setosa setosa setosa setosa
## [37] setosa setosa setosa setosa setosa setosa
## [43] setosa setosa setosa setosa setosa setosa
## [49] setosa setosa versicolor versicolor versicolor versicolor
## [55] versicolor versicolor versicolor versicolor versicolor versicolor
## [61] versicolor versicolor versicolor versicolor versicolor versicolor
## [67] versicolor versicolor versicolor versicolor versicolor versicolor
## [73] versicolor versicolor versicolor versicolor versicolor versicolor
## [79] versicolor versicolor versicolor versicolor versicolor versicolor
## [85] versicolor versicolor versicolor versicolor versicolor versicolor
## [91] versicolor versicolor versicolor versicolor versicolor versicolor
## [97] versicolor versicolor versicolor versicolor virginica virginica
## [103] virginica virginica virginica virginica virginica virginica
## [109] virginica virginica virginica virginica virginica virginica
## [115] virginica virginica virginica virginica virginica virginica
## [121] virginica virginica virginica virginica virginica virginica
## [127] virginica virginica virginica virginica virginica virginica
## [133] virginica virginica virginica virginica virginica virginica
## [139] virginica virginica virginica virginica virginica virginica
## [145] virginica virginica virginica virginica virginica virginica
## Levels: setosa versicolor virginicaBuatlah keys pada datatable dengan anggota keys berdasarkan kolom Speciies, dan kemudian panggil semua anggota keys dengan fungsi key()
setkey(datatable, Species)
key(datatable)## [1] "Species"Hitung mean, interquartile, dan median dari data Sepal.Length berdasarkan grup yang diperoleh dari Species dengan fungsi by
datatable[,.(mean=mean(Sepal.Length), IQR=IQR(Sepal.Length), median=median(Sepal.Length)), by=Species]## Key: <Species>
## Species mean IQR median
## <fctr> <num> <num> <num>
## 1: setosa 5.006 0.400 5.0
## 2: versicolor 5.936 0.700 5.9
## 3: virginica 6.588 0.675 6.5Buatlah plot data dengan menggunakan ggplot2 dan simpan plot dalam variabel plot_data. Kemudian tampilkan plot tersebut.
plot_data <- ggplot(data,aes(x=Sepal.Length, y=Sepal.Width)) + geom_point(aes(colour=Species))
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## [1] "5" "FALSE" "TRUE" "8.3" "Statistika"Vektor di R bersifat homogen, yang berarti semua elemen di dalamnya
harus memiliki tipe data yang sama. Ketika elemen-elemen dengan tipe
data berbeda seperti numerik (5), logika
(FALSE), dan karakter ("TRUE",
"8.3", "Statistika") digabungkan menggunakan
fungsi c(), R secara otomatis mengonversi semuanya menjadi
tipe data dengan hierarki tertinggi, yaitu karakter. Hasilnya,
elemen-elemen tersebut dikonversi menjadi "5",
"FALSE", "TRUE", "8.3", dan
"Statistika", sehingga membentuk vektor bertipe karakter.
Panjang vektor dapat diperiksa menggunakan fungsi length()
yang dalam kasus ini menghasilkan nilai 5, dan elemen-elemen individual
dapat diakses menggunakan indeks, misalnya nama_vector[1]
untuk elemen pertama. Dengan sifat ini, vektor menjadi struktur data
yang efisien tetapi hanya cocok untuk data dengan tipe yang seragam.
2. 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
contoh_list <- list(5, FALSE, "TRUE", "8.3", "Statistika")
contoh_list## [[1]]
## [1] 5
##
## [[2]]
## [1] FALSE
##
## [[3]]
## [1] "TRUE"
##
## [[4]]
## [1] "8.3"
##
## [[5]]
## [1] "Statistika"Perbedaan list dan vector list : -Bersifat heterogen (elemen dapat
memiliki tipe data berbeda). -Elemen diakses menggunakan indeks numerik
atau nama elemen. -Mendukung nested structure. Vektor: Bersifat homogen
(elemen harus memiliki tipe data yang sama).
Elemen diakses menggunakan indeks numerik.
Tidak mendukung nested structure (struktur bersarang).
3. 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("zulfa", "nasywa", "akyun", "icak", "lina", "zidna", "tsanya", "zaki", "tegar", "pram"),
nim = c("2304220043", "2303022081", "4022176455", "4011276856", "2304587799", "2308764455", "4011448244", "2304588991", "1301012130", "1301012014"),
prodi = c("Statistika", "Manajemen", "Geografi", "Kedokteran", "Farmasi", "Matematika", "Psikologi", "Fisika", "Teknik Industri", "Sastra Indoneisa")
)
kelompok_kkn## nama nim prodi
## 1 zulfa 2304220043 Statistika
## 2 nasywa 2303022081 Manajemen
## 3 akyun 4022176455 Geografi
## 4 icak 4011276856 Kedokteran
## 5 lina 2304587799 Farmasi
## 6 zidna 2308764455 Matematika
## 7 tsanya 4011448244 Psikologi
## 8 zaki 2304588991 Fisika
## 9 tegar 1301012130 Teknik Industri
## 10 pram 1301012014 Sastra IndoneisaCara pemanggilan dalam data frame bergantung pada kebutuhan: 1.Pemanggilan kolom menggunakan $ atau indeks kolom untuk mendapatkan data per kolom. 2.Pemanggilan baris menggunakan indeks baris untuk mendapatkan data per baris. 3.Pemanggilan elemen spesifik menggunakan kombinasi indeks baris dan kolom. 4.Filter memungkinkan memilih data berdasarkan kondisi tertentu. Data frame sangat fleksibel, sehingga cocok untuk analisis data tabular.
4. Buatlah data frame yang beberapa datanya berupa missing value. Carilah letak atau posisi data yang berupa missing value tersebut dengan menggunakan perintah is.na.
df_missing <- data.frame(
nama = c("rifa", NA, "ayas", NA, "kanza"),
nim = c("A11", "A12", NA, "A14", "A15"),
prodi = c("Statistika", "Matematika", "Fisika", NA, "Biologi")
)
df_missing## nama nim prodi
## 1 rifa A11 Statistika
## 2 <NA> A12 Matematika
## 3 ayas <NA> Fisika
## 4 <NA> A14 <NA>
## 5 kanza A15 Biologiis.na(df_missing)## nama nim prodi
## [1,] FALSE FALSE FALSE
## [2,] TRUE FALSE FALSE
## [3,] FALSE TRUE FALSE
## [4,] TRUE FALSE TRUE
## [5,] FALSE FALSE FALSEwhich(is.na(df_missing), arr.ind = TRUE)## row col
## [1,] 2 1
## [2,] 4 1
## [3,] 3 2
## [4,] 4 3