Praktik pertemuan 2 PSS
pradytha galuh
2025-04-11
Operasi Dasar Matematika
R mendukung operasi matematika dasar seperti penjumlahan, pengurangan, perkalian, pembagian, dan perpangkatan.
2 + 3 # Penjumlahan## [1] 55 - 1 # Pengurangan## [1] 44 * 2 # Perkalian## [1] 810 / 2 # Pembagian## [1] 52^3 # Perpangkatan## [1] 8Pembuatan Variabel
Variabel digunakan untuk menyimpan nilai dan melakukan operasi pada data.
a <- 10
b <- 5
c <- a + b
c # Menampilkan nilai variabel c## [1] 15Struktur Data Dasar
Vektor Numerik
vektor <- c(1, 2, 3, 4, 5)
vektor## [1] 1 2 3 4 5Vektor Karakter
nama <- c("Amaa", "Dytha", "Alam", "Nadya", "Akmal", "Putranti", "Ghozi")
nama## [1] "Amaa" "Dytha" "Alam" "Nadya" "Akmal" "Putranti" "Ghozi"Mengonversi ke Faktor
nama_factor <- factor(nama)
str(nama_factor)## Factor w/ 7 levels "Akmal","Alam",..: 3 4 2 6 1 7 5levels(nama_factor)## [1] "Akmal" "Alam" "Amaa" "Dytha" "Ghozi" "Nadya" "Putranti"Frekuensi Kategori dalam Faktor
table(nama_factor)## nama_factor
## Akmal Alam Amaa Dytha Ghozi Nadya Putranti
## 1 1 1 1 1 1 1List dalam R
List dapat menyimpan berbagai tipe data dalam satu objek.
data_list <- list(
angka = c(10, 20, 30, 40),
teks = c("A", "B", "C"),
kategori = factor(c("Baik", "Sedang", "Buruk"))
)
print(data_list)## $angka
## [1] 10 20 30 40
##
## $teks
## [1] "A" "B" "C"
##
## $kategori
## [1] Baik Sedang Buruk
## Levels: Baik Buruk Sedangdata_list$angka## [1] 10 20 30 40Dataframe
Membuat dataframe sederhana untuk menyimpan data tabular.
data_karyawan <- data.frame(
Nama = c("Akmal", "Dytha", "Amaa", "Elvan"),
Usia = c(25, 30, 27, 35),
Pekerjaan = factor(c("Pegawai", "Wirausaha", "Mahasiswa", "Pegawai"))
)
print(data_karyawan)## Nama Usia Pekerjaan
## 1 Akmal 25 Pegawai
## 2 Dytha 30 Wirausaha
## 3 Amaa 27 Mahasiswa
## 4 Elvan 35 Pegawaisummary(data_karyawan)## Nama Usia Pekerjaan
## Length:4 Min. :25.00 Mahasiswa:1
## Class :character 1st Qu.:26.50 Pegawai :2
## Mode :character Median :28.50 Wirausaha:1
## Mean :29.25
## 3rd Qu.:31.25
## Max. :35.00summary(data_karyawan) # Menampilkan ringkasan statistik dari dataframe## Nama Usia Pekerjaan
## Length:4 Min. :25.00 Mahasiswa:1
## Class :character 1st Qu.:26.50 Pegawai :2
## Mode :character Median :28.50 Wirausaha:1
## Mean :29.25
## 3rd Qu.:31.25
## Max. :35.00##Menampilkan Array Fungsi print() digunakan untuk menampilkan isi array. Ini membantu melihat data yang disimpan dalam array.
array_data <- array(1:12, dim = c(3, 2, 2))##Menampilkan Dimensi Array Fungsi dim() digunakan untuk menampilkan dimensi dari array. Ini membantu memahami struktur array.
dim(array_data) # Menampilkan dimensi dari array## [1] 3 2 2##Membuat 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] 2##Sequence 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 10.000000##Pembulatan 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 10##Replicate 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 5##Fungsi 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 6##Simulasi 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 6##Praktikum 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 tbl_df() yang berisikan data iris
data <- tbl_df(iris)## Warning: `tbl_df()` was deprecated in dplyr 1.0.0.
## ℹ Please use `tibble::as_tibble()` instead.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.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 —————————————————–
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
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"- 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("AKMAL", "PRADYTHA", "FRIDARYCHA", "CHRISTANTI", "ALMANFALUTY", "GHOZI", "KEKE", "GHOZI", "GALUH", "PUTRANTI"),
nim = c("001", "002", "003", "004", "005", "006", "007", "008", "009", "010"),
prodi = c("Statistika", "Matematika", "Fisika", "Biologi", "Kimia", "Ekonomi", "Akuntansi", "Manajemen", "Teknik", "Hukum")
)
print(kelompok_kkn)## nama nim prodi
## 1 AKMAL 001 Statistika
## 2 PRADYTHA 002 Matematika
## 3 FRIDARYCHA 003 Fisika
## 4 CHRISTANTI 004 Biologi
## 5 ALMANFALUTY 005 Kimia
## 6 GHOZI 006 Ekonomi
## 7 KEKE 007 Akuntansi
## 8 GHOZI 008 Manajemen
## 9 GALUH 009 Teknik
## 10 PUTRANTI 010 Hukumkelompok_kkn[1, ] # Baris pertama## nama nim prodi
## 1 AKMAL 001 Statistikakelompok_kkn[, 2] # Kolom kedua (NIM)## [1] "001" "002" "003" "004" "005" "006" "007" "008" "009" "010"kelompok_kkn[3, 1] # Elemen baris ke-3, kolom ke-1## [1] "FRIDARYCHA"- Buatlah data frame yang beberapa datanya berupa missing value. Carilah letak atau posisi data yang berupa missing value tersebut dengan menggunakan perintah is.na.
data_na <- data.frame(
ID = 1:5,
Nilai = c(90, NA, 85, NA, 80)
)
print(data_na)## ID Nilai
## 1 1 90
## 2 2 NA
## 3 3 85
## 4 4 NA
## 5 5 80is.na(data_na)## ID Nilai
## [1,] FALSE FALSE
## [2,] FALSE TRUE
## [3,] FALSE FALSE
## [4,] FALSE TRUE
## [5,] FALSE FALSEwhich(is.na(data_na), arr.ind = TRUE)## row col
## [1,] 2 2
## [2,] 4 2array_data <- array(1:24, dim = c(3, 4, 2))