Latihan Minggu ke-2

1. Vector dan Coercion

nama_vector <- c(5, FALSE, "true", "8.3", "Statistika")
nama_vector

## [1] "5"          "FALSE"      "true"       "8.3"        "Statistika"

Pernyataan yang diperoleh:

• Coercion

  R mengubah semua elemen menjadi tipe data yang sama. Karena ada elemen berupa teks (string), maka angka 5 dan logika FALSE otomatis berubah menjadi karakter/string.

• Tipe Data

  Semua elemen dalam vector ini sekarang bertipe Character.

2. List vs Vector

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:

• Vector

  Hanya bisa menyimpan satu jenis tipe data (homogen). Jika dicampur, akan terjadi paksaan perubahan tipe data (seperti di no. 1).

• List

  Bisa menyimpan berbagai macam tipe data sekaligus tanpa mengubah tipe aslinya (heterogen). Angka tetap angka, logika tetap logika.

3. Membuat Data Frame kelompok_kkn

kelompok_kkn <- data.frame(
  nama = c("Taufiq", "Koko", "Cici", "Radit", "Gia", "Rafa", "Dani", "Hana", "Iwan", "Jaka"),
  nim = 101:110,
  prodi = c("Statistika", "Matematika", "Biologi", "Statistika", "Informatika",
            "Statistika", "Kimia", "Informatika", "Matematika", "Statistika")
)

kelompok_kkn[1, ]

##     nama nim      prodi
## 1 Taufiq 101 Statistika

kelompok_kkn[, "nama"]

##  [1] "Taufiq" "Koko"   "Cici"   "Radit"  "Gia"    "Rafa"   "Dani"   "Hana"  
##  [9] "Iwan"   "Jaka"

kelompok_kkn$prodi

##  [1] "Statistika"  "Matematika"  "Biologi"     "Statistika"  "Informatika"
##  [6] "Statistika"  "Kimia"       "Informatika" "Matematika"  "Statistika"

kelompok_kkn[2, 3]

## [1] "Matematika"

Penjelasan Cara Pemanggilan:

• [baris, kolom] Menggunakan indeks angka. Jika baris/kolom dikosongkan, berarti mengambil semuanya.

• $ Cara cepat untuk memanggil satu kolom spesifik berdasarkan namanya.

• ["nama_kolom"] Memanggil kolom menggunakan string nama kolom.

4. Mencari Missing Value (is.na)

df_miss <- data.frame(
  id = c(1, 2, 3, 4),
  skor = c(85, NA, 90, NA)
)

is.na(df_miss)

##         id  skor
## [1,] FALSE FALSE
## [2,] FALSE  TRUE
## [3,] FALSE FALSE
## [4,] FALSE  TRUE

Hasilnya:

Perintah is.na akan menghasilkan nilai logika TRUE pada posisi data yang kosong/hilang (NA) dan FALSE pada data yang tersedia.