PSS week 2
Ahmad Hikmah Ali Pahrizi
2025-02-21
Dasar-dasar R
Operasi Dasar
2 + 3## [1] 55 - 1## [1] 44*2## [1] 82^3## [1] 8Pembuatan Variabel
a <- 10
b <- 5
c <- a+b
c## [1] 15Struktur Data Dasar
vektor <- c(1, 2, 3, 4, 5)
vektor## [1] 1 2 3 4 5Membuat Vektor Karakter
furniture <- c("buffet", "lemari", "meja", "lemari", "kusri", "sofa", "cermin")
furniture## [1] "buffet" "lemari" "meja" "lemari" "kusri" "sofa" "cermin"Mengonversi ke Faktor
furniture_factor <- factor(furniture)Menampilkan Struktur Faktor
str(furniture_factor)## Factor w/ 6 levels "buffet","cermin",..: 1 4 5 4 3 6 2Menampilkan Level yang Ada dalam Faktor
levels(furniture_factor)## [1] "buffet" "cermin" "kusri" "lemari" "meja" "sofa"Frekuensi Tiap Kategori
table(furniture_factor)## furniture_factor
## buffet cermin kusri lemari meja sofa
## 1 1 1 2 1 1Membuat List yang Berisi Berbagai Jenis Data
data_list <- list(
angka = c(10, 20, 30, 40),
teks = c("A", "B", "C"),
kategori = factor(c("Baik", "Sedang", "Buruk"))
)Menampilkan Isi List
print(data_list)## $angka
## [1] 10 20 30 40
##
## $teks
## [1] "A" "B" "C"
##
## $kategori
## [1] Baik Sedang Buruk
## Levels: Baik Buruk SedangMengakss Elemen List
data_list$angka## [1] 10 20 30 40data_list[[2]]## [1] "A" "B" "C"Membuat Dataframe
data_protagonist <- data.frame(
Nama = c("Kratos", "Arthur Morgan", "Red", "Cloud"), # Kolom Nama
Usia = c(1070, 42, 11, 21), # Kolom Usia
Pekerjaan = factor(c("Pemburu", "Reintenir Tobat", "Pokemon Trainer", "Tentara")) # Kolom Pekerjaan
)Menampilkan Dataframe
print(data_protagonist)## Nama Usia Pekerjaan
## 1 Kratos 1070 Pemburu
## 2 Arthur Morgan 42 Reintenir Tobat
## 3 Red 11 Pokemon Trainer
## 4 Cloud 21 TentaraMenampilkan Ringkassan Dataframe
summary(data_protagonist)## Nama Usia Pekerjaan
## Length:4 Min. : 11.0 Pemburu :1
## Class :character 1st Qu.: 18.5 Pokemon Trainer:1
## Mode :character Median : 31.5 Reintenir Tobat:1
## Mean : 286.0 Tentara :1
## 3rd Qu.: 299.0
## Max. :1070.0Membuat Array 3 Dimensi
array_data <- array(1:24, dim = c(3, 4, 2))Menampilkan Array
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
# Mengecek nilai yang hilang
is.na(nilai) # Mengecek apakah ada nilai NA dalam vektor## [1] FALSE FALSE TRUE FALSE FALSE TRUE FALSEsum(is.na(nilai))## [1] 2Sequance Generation
x1 <- seq(0, 10, length=5)
x1## [1] 0.0 2.5 5.0 7.5 10.0x2 <- seq(0, 10, length=6)
x2## [1] 0 2 4 6 8 10x3 <- seq(0, 10, length=7)
x3## [1] 0.000000 1.666667 3.333333 5.000000 6.666667 8.333333 10.000000Pembulatan Pecahan Desimal
round(x3)## [1] 0 2 3 5 7 8 10floor(x3)## [1] 0 1 3 5 6 8 10ceiling(x3)## [1] 0 2 4 5 7 9 10Replicate Elements
rep(c("A", "B", "C"), 5)## [1] "A" "B" "C" "A" "B" "C" "A" "B" "C" "A" "B" "C" "A" "B" "C"rep(c("A", "B", "C"), each=5)## [1] "A" "A" "A" "A" "A" "B" "B" "B" "B" "B" "C" "C" "C" "C" "C"rep(1:5, 5)## [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=2, 5)## [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 ymin(x)## [1] 3max(x)## [1] 6mean(x)## [1] 4.5var(y)## [1] 2.666667cor(x, y[1:length(x)])## [1] 1range(x)## [1] 3 6range(y)## [1] 2 6Simulasi Sampel Acak
set.seed(121)
sample(0:1, 30, replace = TRUE)## [1] 1 1 1 0 1 0 0 0 0 0 0 0 1 0 1 1 0 1 0 1 0 1 0 0 1 1 0 1 0 1sample(c("A", "G"), 15, replace = TRUE)## [1] "G" "G" "G" "A" "G" "G" "G" "G" "A" "A" "G" "G" "G" "G" "G"sample(1:6, 30, replace = TRUE)## [1] 1 2 1 4 5 5 5 1 4 3 3 5 3 3 2 2 4 5 2 3 2 5 1 2 4 2 1 2 2 5Praktikum 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)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 rowsdata_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 setosaarrange(data_slice, desc(data_slice$Sepal.Length))## # A tibble: 10 × 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 5.4 3.9 1.7 0.4 setosa
## 2 5.1 3.5 1.4 0.2 setosa
## 3 5 3.6 1.4 0.2 setosa
## 4 5 3.4 1.5 0.2 setosa
## 5 4.9 3 1.4 0.2 setosa
## 6 4.9 3.1 1.5 0.1 setosa
## 7 4.7 3.2 1.3 0.2 setosa
## 8 4.6 3.1 1.5 0.2 setosa
## 9 4.6 3.4 1.4 0.3 setosa
## 10 4.4 2.9 1.4 0.2 setosadatatable <- data.table(iris)
datatable## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <num> <num> <num> <num> <fctr>
## 1: 5.1 3.5 1.4 0.2 setosa
## 2: 4.9 3.0 1.4 0.2 setosa
## 3: 4.7 3.2 1.3 0.2 setosa
## 4: 4.6 3.1 1.5 0.2 setosa
## 5: 5.0 3.6 1.4 0.2 setosa
## ---
## 146: 6.7 3.0 5.2 2.3 virginica
## 147: 6.3 2.5 5.0 1.9 virginica
## 148: 6.5 3.0 5.2 2.0 virginica
## 149: 6.2 3.4 5.4 2.3 virginica
## 150: 5.9 3.0 5.1 1.8 virginicadatatable$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 virginicasetkey(datatable, Species)
key(datatable)## [1] "Species"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 6.5plot_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"Semua elemen dalam vector otomatis dikonversi ke tipe data karakter (character) atau string.
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"Jika Vector (c()) akan mengonversi semua elemen menjadi karakter (character). Sedangkan List (list()) menyimpan setiap elemen dengan tipe aslinya, sehingga list dapat menyimpan data dengan tipe berbeda.
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("Ahmad", "Budi", "Citra", "Dewi", "Eka", "Fajar", "Gita", "Hadi", "Indah", "Joko"),
nim = c("290001", "280002", "270003", "260004", "250005", "240006", "230007", "220008", "210009", "200010"),
prodi = c("Statistika dan Sains Data", "Teknik Informatika", "Ekonomi", "Fisika", "Kimia", "Biologi", "Matematika", "Sastra Inggris", "Teknik Sipil", "Farmasi")
)
kelompok_kkn## nama nim prodi
## 1 Ahmad 290001 Statistika dan Sains Data
## 2 Budi 280002 Teknik Informatika
## 3 Citra 270003 Ekonomi
## 4 Dewi 260004 Fisika
## 5 Eka 250005 Kimia
## 6 Fajar 240006 Biologi
## 7 Gita 230007 Matematika
## 8 Hadi 220008 Sastra Inggris
## 9 Indah 210009 Teknik Sipil
## 10 Joko 200010 FarmasiMemanggil seluruh kolom
kelompok_kkn$nama # Memanggil seluruh kolom "nama"## [1] "Ahmad" "Budi" "Citra" "Dewi" "Eka" "Fajar" "Gita" "Hadi" "Indah"
## [10] "Joko"Memanggil seluruh baris
kelompok_kkn[3, ] # Memanggil seluruh baris ketiga## nama nim prodi
## 3 Citra 270003 EkonomiElemen Spesifik
kelompok_kkn[3, 2] # Memanggil baris ketiga kolom kedua## [1] "270003"Beberapa baris
kelompok_kkn[1:5, ] # Menampilkan baris pertama sampai kelima## nama nim prodi
## 1 Ahmad 290001 Statistika dan Sains Data
## 2 Budi 280002 Teknik Informatika
## 3 Citra 270003 Ekonomi
## 4 Dewi 260004 Fisika
## 5 Eka 250005 KimiaBeberapa kolom
kelompok_kkn[, c("nama", "prodi")] # Menampilkan kolom "nama" dan "prodi"## nama prodi
## 1 Ahmad Statistika dan Sains Data
## 2 Budi Teknik Informatika
## 3 Citra Ekonomi
## 4 Dewi Fisika
## 5 Eka Kimia
## 6 Fajar Biologi
## 7 Gita Matematika
## 8 Hadi Sastra Inggris
## 9 Indah Teknik Sipil
## 10 Joko Farmasi4. 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_kkn <- data.frame(
nama = c("Ahmad", "Budi", "Citra", "Dewi", "Eka", NA, "Gita", "Hadi", "Indah", "Joko"),
nim = c("210001", "210002", "210003", NA, "210005", "210006", "210007", "210008", "210009", "210010"),
prodi = c("Statistika dan Sains Data", "Teknik Informatika", NA, "Fisika", "Kimia", "Biologi", "Matematika", "Sastra Inggris", "Teknik Sipil", NA)
)
data_kkn## nama nim prodi
## 1 Ahmad 210001 Statistika dan Sains Data
## 2 Budi 210002 Teknik Informatika
## 3 Citra 210003 <NA>
## 4 Dewi <NA> Fisika
## 5 Eka 210005 Kimia
## 6 <NA> 210006 Biologi
## 7 Gita 210007 Matematika
## 8 Hadi 210008 Sastra Inggris
## 9 Indah 210009 Teknik Sipil
## 10 Joko 210010 <NA>Mencari posisi Missing Value
Menampilkan Boolean Missing Value
is.na(data_kkn)## nama nim prodi
## [1,] FALSE FALSE FALSE
## [2,] FALSE FALSE FALSE
## [3,] FALSE FALSE TRUE
## [4,] FALSE TRUE FALSE
## [5,] FALSE FALSE FALSE
## [6,] TRUE FALSE FALSE
## [7,] FALSE FALSE FALSE
## [8,] FALSE FALSE FALSE
## [9,] FALSE FALSE FALSE
## [10,] FALSE FALSE TRUEMenampilkan baris yang mengandung Missing Value
data_kkn[rowSums(is.na(data_kkn)) > 0, ]## nama nim prodi
## 3 Citra 210003 <NA>
## 4 Dewi <NA> Fisika
## 6 <NA> 210006 Biologi
## 10 Joko 210010 <NA>Menampilkan Indeks Baris dan Kolom dengan Missing Value
which(is.na(data_kkn), arr.ind = TRUE)## row col
## [1,] 6 1
## [2,] 4 2
## [3,] 3 3
## [4,] 10 3