Nomor 1

nama_vector <- c(5, FALSE, "true", "8.3", "Statistika")
nama_vector
## [1] "5"          "FALSE"      "true"       "8.3"        "Statistika"

Berdasarkan hasil di atas, dapat diperoleh beberapa pernyataan sebagai berikut:

  1. Fungsi c() digunakan untuk menggabungkan beberapa elemen menjadi sebuah vector.
  2. Vector pada R bersifat homogen, artinya seluruh elemen harus memiliki tipe data yang sama.
  3. Karena terdapat elemen bertipe karakter, maka R secara otomatis mengubah semua elemen menjadi tipe data karakter (character).
  4. Nilai 5 berubah menjadi "5" dan FALSE berubah menjadi "FALSE".
  5. Vector merupakan struktur data satu dimensi yang digunakan untuk menyimpan sekumpulan data.

Kesimpulan

  1. Objek nama_vector merupakan sebuah atomic vector dengan tipe data akhir berupa character.
  2. Seluruh elemen pada vector mengalami proses type coercion secara otomatis karena terdapat elemen bertipe character.
  3. Nilai numerik 5 dan nilai logika FALSE dikonversi menjadi string (“5” dan “FALSE”) agar seluruh elemen memiliki tipe data yang seragam.
  4. Vector yang terbentuk terdiri atas 5 elemen dan disusun dalam bentuk struktur data satu dimensi.
  5. Salah satu karakteristik utama vector di R adalah bersifat homogen, yaitu seluruh elemen di dalamnya harus memiliki tipe data yang sama.
  6. Fungsi c() (combine) berperan dalam menggabungkan beberapa nilai menjadi satu kesatuan vector.
  7. Vector sangat efektif digunakan untuk menyimpan kumpulan data yang memiliki karakteristik serupa, terutama dalam proses analisis statistik dan komputasi numerik.
  8. Struktur vector yang sederhana memungkinkan proses pengolahan data dilakukan dengan lebih cepat dan efisien.

Nomor 2

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"

Fungsi list() digunakan untuk membuat struktur data bertipe list. Berbeda dengan vector, list bersifat heterogen, sehingga setiap elemen dapat memiliki tipe data yang berbeda tanpa mengalami konversi otomatis.

Pada output terlihat bahwa nilai 5 tetap bertipe numerik, FALSE tetap bertipe logika, dan elemen lainnya tetap bertipe karakter.

Perbedaan List dan Vector

  1. Vector bersifat homogen, sedangkan list bersifat heterogen.
  2. Pada vector terjadi konversi otomatis, sedangkan pada list tidak.
  3. List mempertahankan tipe data asli setiap elemen.
  4. List lebih fleksibel dibandingkan vector.

Kesimpulan

  1. Vector menerapkan prinsip homogenitas tipe data, sehingga seluruh elemennya harus memiliki tipe data yang sama. 2, Berbeda dengan vector, list mampu mempertahankan tipe data asli setiap elemen tanpa melakukan konversi otomatis.
  2. List memiliki sifat heterogen, sehingga dapat menyimpan berbagai tipe data dalam satu objek yang sama.
  3. Struktur list lebih fleksibel dibandingkan vector karena dapat memuat objek lain seperti vector, matriks, data frame, fungsi, bahkan list lainnya.
  4. Vector umumnya lebih efisien dalam komputasi numerik karena memiliki struktur yang lebih sederhana dan penggunaan memori yang lebih optimal.
  5. List lebih sesuai digunakan untuk menyimpan data atau objek yang kompleks, seperti hasil pemodelan statistik maupun struktur data bertingkat (nested object).
  6. Dari segi penggunaan, vector lebih tepat digunakan untuk operasi matematika dan analisis data sejenis, sedangkan list lebih cocok untuk kebutuhan penyimpanan data yang beragam.
  7. Pemilihan antara vector dan list sebaiknya disesuaikan dengan tujuan analisis serta karakteristik data yang akan dikelola agar proses pengolahan data menjadi lebih efektif.

Nomor 3

3.a Membuat Data Frame

kelompok_kkn <- data.frame(
  nama = c("Messi","Ronaldo","Neymar","Vitinha","Ramos",
           "Marcelo","Kroos","Modric","Zidane","Mbappe"),
  nim = c("4321001","4321002","4321003","4321004","4321005",
          "4321006","4321007","4321008","4321009","4321010"),
  prodi = c("Staterkom","SSD","Matematika","Informatika",
            "Akuntansi","SeniMusik","Fisika","Manajemen",
            "SeniTari","SeniBahasa")
)

kelompok_kkn
##       nama     nim       prodi
## 1    Messi 4321001   Staterkom
## 2  Ronaldo 4321002         SSD
## 3   Neymar 4321003  Matematika
## 4  Vitinha 4321004 Informatika
## 5    Ramos 4321005   Akuntansi
## 6  Marcelo 4321006   SeniMusik
## 7    Kroos 4321007      Fisika
## 8   Modric 4321008   Manajemen
## 9   Zidane 4321009    SeniTari
## 10  Mbappe 4321010  SeniBahasa

3.b Pemanggilan Baris

kelompok_kkn[2,]
##      nama     nim prodi
## 2 Ronaldo 4321002   SSD

Baris di atas menampilkan seluruh data pada baris ke-2.

3.c Pemanggilan Kolom

kelompok_kkn$nama
##  [1] "Messi"   "Ronaldo" "Neymar"  "Vitinha" "Ramos"   "Marcelo" "Kroos"  
##  [8] "Modric"  "Zidane"  "Mbappe"

Kode di atas digunakan untuk menampilkan seluruh isi kolom nama.

3.d Pemanggilan Elemen Tertentu

kelompok_kkn[7,3]
## [1] "Fisika"

Kode tersebut digunakan untuk mengambil data pada baris ke-7 dan kolom ke-3.

3.e Menampilkan Beberapa Baris dan Kolom

kelompok_kkn[1:5, c("nama","prodi")]
##      nama       prodi
## 1   Messi   Staterkom
## 2 Ronaldo         SSD
## 3  Neymar  Matematika
## 4 Vitinha Informatika
## 5   Ramos   Akuntansi

Kode tersebut digunakan untuk menampilkan lima baris pertama pada kolom nama dan prodi.

3.f Perbedaan Cara Pemanggilan

kelompok_kkn[1,3]
## [1] "Staterkom"
kelompok_kkn$nama
##  [1] "Messi"   "Ronaldo" "Neymar"  "Vitinha" "Ramos"   "Marcelo" "Kroos"  
##  [8] "Modric"  "Zidane"  "Mbappe"
kelompok_kkn[1:3, "nama"]
## [1] "Messi"   "Ronaldo" "Neymar"

Nomor 4

4.a Membuat Data Frame dengan Missing Value

data_mahasiswa <- data.frame(
  nama = c("Messi","Ronaldo",NA,"Vitinha","Ramos"),
  nilai = c(80,NA,75,90,85),
  prodi = c("Staterkom","SSD","Informatika",NA,"Fisika")
)

data_mahasiswa
##      nama nilai       prodi
## 1   Messi    80   Staterkom
## 2 Ronaldo    NA         SSD
## 3    <NA>    75 Informatika
## 4 Vitinha    90        <NA>
## 5   Ramos    85      Fisika

4.b Mendeteksi Missing Value

is.na(data_mahasiswa)
##       nama nilai prodi
## [1,] FALSE FALSE FALSE
## [2,] FALSE  TRUE FALSE
## [3,]  TRUE FALSE FALSE
## [4,] FALSE FALSE  TRUE
## [5,] FALSE FALSE FALSE

Fungsi is.na() digunakan untuk mendeteksi data yang hilang.

4.c Menentukan Posisi Missing Value

which(is.na(data_mahasiswa), arr.ind = TRUE)
##      row col
## [1,]   3   1
## [2,]   2   2
## [3,]   4   3

Berdasarkan output di atas, missing value terdapat pada:

  1. Baris ke-3 kolom nama.
  2. Baris ke-2 kolom nilai.
  3. Baris ke-4 kolom prodi.

Kesimpulan Akhir

Berdasarkan seluruh rangkaian praktikum yang telah dilakukan, dapat disimpulkan bahwa bahasa pemrograman R menyediakan berbagai struktur data yang sangat penting dalam proses pengolahan dan analisis data, di antaranya vector, list, dan data frame. Masing-masing struktur data memiliki karakteristik, fungsi, serta keunggulan yang berbeda sesuai dengan kebutuhan analisis.

Vector merupakan struktur data satu dimensi yang bersifat homogen, sehingga seluruh elemennya harus memiliki tipe data yang sama. Sebaliknya, list bersifat heterogen, sehingga mampu menyimpan berbagai jenis data dalam satu objek tanpa mengubah tipe data aslinya. Perbedaan karakteristik tersebut menjadikan vector lebih efisien untuk komputasi numerik, sedangkan list lebih sesuai untuk menyimpan data atau objek yang kompleks.

Selain itu, data frame merupakan struktur data berbentuk tabel yang sangat fleksibel karena memungkinkan penyimpanan beberapa variabel dengan tipe data yang berbeda dalam satu objek. Data pada data frame dapat diakses melalui indeks maupun nama kolom, sehingga mempermudah proses eksplorasi, manipulasi, dan analisis data.

Praktikum ini juga menunjukkan pentingnya identifikasi missing value sebelum melakukan analisis lebih lanjut. Melalui fungsi is.na() dan which(), pengguna dapat mendeteksi serta mengetahui posisi data yang hilang secara tepat, sehingga kualitas data dapat dijaga dan hasil analisis menjadi lebih akurat.

Dengan demikian, pemahaman mengenai struktur data dasar serta teknik pengelolaan missing value di R merupakan fondasi yang sangat penting dalam mendukung proses analisis data, pemodelan statistik, dan pengambilan keputusan berbasis data secara efektif dan sistematis menggunakan bahasa pemrograman R.