BAB I. PENGENALAN R MARKDOWN

1.1 Pengertian R Markdown

R Markdown merupakan format dokumen yang menggabungkan teks, kode program R, dan hasil analisis dalam satu berkas. Dokumen ini dapat digunakan untuk menyusun laporan praktikum, penelitian, maupun dokumentasi analisis data. Kode dapat dijalankan langsung sehingga tabel dan grafik diperbarui ketika analisis dijalankan kembali.

1.2 Tujuan Penggunaan

R Markdown memiliki beberapa kegunaan, yaitu: 1. Menggabungkan uraian dan kode R dalam satu dokumen. 2. Menampilkan hasil perhitungan secara otomatis. 3. Menyajikan data dalam bentuk tabel dan grafik. 4. Mendokumentasikan tahapan analisis agar dapat diperiksa kembali. 5. Menghasilkan laporan dalam format HTML, Word, atau PDF.

1.3 Struktur Dokumen

Dokumen R Markdown terdiri atas tiga bagian utama: - YAML Header, untuk mengatur judul, penulis, tanggal, dan format keluaran. - Markdown, untuk menulis teks, judul, daftar, tabel, dan persamaan. - Code Chunk, untuk menuliskan serta menjalankan sintaks R.

1.4 YAML Header

YAML Header terletak pada bagian paling atas dokumen dan diapit tiga tanda hubung.

---
title: "Laporan Praktikum"
author: "Elisya"
date: "2026"
output: html_document
---

Keterangan: title menentukan judul, author mencantumkan penulis, date mengatur tanggal, sedangkan output menentukan format dokumen.

BAB II. DASAR PENULISAN MARKDOWN

2.1 Membuat Judul dan Subjudul

Tanda pagar (#) digunakan untuk membentuk tingkatan judul. Semakin banyak tanda pagar, semakin rendah tingkat heading.

# Judul Utama
## Subjudul
### Sub-subbab
#### Bagian Pembahasan

2.2 Format Tulisan

Markdown menyediakan beberapa format teks.

Keperluan	Sintaks	Tampilan
Tebal	`Teks`	Teks
Miring	`Teks`	Teks
Tebal dan miring	`*Teks*`	*Teks*
Dicoret	`~~Teks~~`	~~Teks~~
Kode dalam kalimat	`mean()`	`mean()`

2.3 Membuat Paragraf

Paragraf baru dibuat dengan memberikan satu baris kosong di antara dua bagian teks.

Statistika digunakan untuk mengumpulkan dan mengolah data.

Hasil pengolahan dapat disajikan melalui tabel, grafik,
dan ukuran numerik.

2.4 Membuat Daftar

Daftar tidak berurutan:

- Data numerik
- Data kategorik
- Data diskrit
- Data kontinu

Daftar berurutan:

1. Mengumpulkan data.
2. Memeriksa data.
3. Melakukan analisis.
4. Menarik kesimpulan.

Daftar bertingkat:

1. Analisis data
   - Deskriptif
   - Inferensial
2. Pemodelan
   - Regresi sederhana
   - Regresi berganda

2.5 Kutipan, Garis Pemisah, dan Tautan

Kutipan menggunakan tanda >.

> Data menjadi dasar dalam proses analisis statistik.

Garis pemisah menggunakan tiga tanda hubung.

---

Tautan ditulis dengan format [teks](alamat).

[Website R Project](https://www.r-project.org/)

BAB III. TABEL DAN PERSAMAAN MATEMATIKA

3.1 Membuat Tabel

Tabel Markdown menggunakan tanda garis vertikal (|) dan tanda hubung (-).

| Variabel | Jenis Data |
|---|---|
| Umur | Numerik |
| Jenis Kelamin | Kategorik |
| Tinggi Badan | Numerik |

Hasil:

Variabel	Jenis Data
Umur	Numerik
Jenis Kelamin	Kategorik
Tinggi Badan	Numerik

3.2 Mengatur Perataan Kolom

| Keterangan | Kiri | Tengah | Kanan |
|:---|:---:|---:|---:|
| Contoh | A | B | C |

3.3 Rumus dalam Kalimat

Rumus singkat ditulis dengan satu tanda dolar.

Rata-rata sampel dilambangkan dengan $\bar{x}$.

Hasil: Rata-rata sampel dilambangkan dengan \(\bar{x}\).

3.4 Rumus pada Baris Terpisah

Persamaan terpisah ditulis dengan dua tanda dolar.

$$
\bar{x}=\frac{\sum_{i=1}^{n}x_i}{n}
$$

Hasil:

\[ \bar{x}=\frac{\sum_{i=1}^{n}x_i}{n} \]

3.5 Contoh Persamaan Statistika

Varians sampel:

\[ s^2=\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1} \]

Simpangan baku:

\[ s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}} \]

Korelasi:

\[ r_{xy}= \frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})} {\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2 \sum_{i=1}^{n}(y_i-\bar{y})^2}} \]

3.6 Simbol LaTeX

Sintaks	Hasil
`\\alpha`	\(\alpha\)
`\\beta`	\(\beta\)
`\\mu`	\(\mu\)
`\\sigma`	\(\sigma\)
`\\sum`	\(\sum\)
`\\sqrt{x}`	\(\sqrt{x}\)
`\\frac{a}{b}`	\(\frac{a}{b}\)
`\\neq`	\(\neq\)
`\\leq`	\(\leq\)
`\\geq`	\(\geq\)

BAB IV. CODE CHUNK DAN SINTAKS R

4.1 Pengertian Code Chunk

Code Chunk merupakan bagian untuk menuliskan dan menjalankan kode R. Bagian ini diawali tiga tanda backtick dan {r}, kemudian ditutup tiga tanda backtick.

print("Selamat belajar R Markdown!")

#> [1] "Selamat belajar R Markdown!"

4.2 Opsi Code Chunk

Opsi	Fungsi
`echo=TRUE`	Menampilkan kode dan hasil
`echo=FALSE`	Menyembunyikan kode
`eval=FALSE`	Tidak menjalankan kode
`include=FALSE`	Menjalankan kode tanpa menampilkan kode dan hasil
`message=FALSE`	Menyembunyikan pesan
`warning=FALSE`	Menyembunyikan peringatan
`results='hide'`	Menyembunyikan hasil teks
`fig.width=8`	Mengatur lebar grafik
`fig.height=5`	Mengatur tinggi grafik

Contoh menampilkan kode dan hasil:

12 + 18

#> [1] 30

Contoh menyembunyikan kode:

#> [1] 85

Contoh tidak menjalankan kode:

summary(iris)

Contoh menjalankan kode tanpa menampilkan hasil:

4.3 Operasi Aritmetika

a <- 18
b <- 6

penjumlahan <- a + b
pengurangan <- a - b
perkalian <- a * b
pembagian <- a / b
perpangkatan <- a^2

penjumlahan

#> [1] 24

pengurangan

#> [1] 12

perkalian

#> [1] 108

pembagian

#> [1] 3

perpangkatan

#> [1] 324

4.4 Membuat Variabel dan Vektor

nama <- "Ziyad"
semester <- 5
nilai <- c(78, 85, 90, 88, 95)

nama

#> [1] "Ziyad"

semester

#> [1] 5

nilai

#> [1] 78 85 90 88 95

4.5 Fungsi Statistik Dasar

mean(nilai)

#> [1] 87.2

median(nilai)

#> [1] 88

min(nilai)

#> [1] 78

max(nilai)

#> [1] 95

var(nilai)

#> [1] 39.7

sd(nilai)

#> [1] 6.300794

summary(nilai)

#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    78.0    85.0    88.0    87.2    90.0    95.0

4.6 Memanggil Dataset Bawaan R

Contoh pengolahan data menggunakan dataset iris, yang berisi pengukuran karakteristik bunga dari beberapa spesies.

data("iris")

head(iris)

#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#> 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
#> 6          5.4         3.9          1.7         0.4  setosa

str(iris)

#> 'data.frame':    150 obs. of  5 variables:
#>  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
#>  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
#>  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
#>  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
#>  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

dim(iris)

#> [1] 150   5

names(iris)

#> [1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"

summary(iris)

#>   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
#>  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
#>  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
#>  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
#>  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
#>  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
#>  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
#>        Species  
#>  setosa    :50  
#>  versicolor:50  
#>  virginica :50  
#>                 
#>                 
#>

BAB V. PENGOLAHAN DAN VISUALISASI DATA

5.1 Statistik Deskriptif

Statistik deskriptif digunakan untuk menggambarkan karakteristik data melalui ukuran pemusatan dan penyebaran.

ringkasan <- data.frame(
  Variabel = names(iris)[1:4],
  Rata_Rata = sapply(iris[1:4], mean),
  Median = sapply(iris[1:4], median),
  Minimum = sapply(iris[1:4], min),
  Maksimum = sapply(iris[1:4], max),
  Simpangan_Baku = sapply(iris[1:4], sd)
)

knitr::kable(
  ringkasan,
  digits = 3,
  caption = "Statistik Deskriptif Dataset Iris"
)

Statistik Deskriptif Dataset Iris
	Variabel	Rata_Rata	Median	Minimum	Maksimum	Simpangan_Baku
Sepal.Length	Sepal.Length	5.843	5.80	4.3	7.9	0.828
Sepal.Width	Sepal.Width	3.057	3.00	2.0	4.4	0.436
Petal.Length	Petal.Length	3.758	4.35	1.0	6.9	1.765
Petal.Width	Petal.Width	1.199	1.30	0.1	2.5	0.762

5.2 Histogram

Histogram digunakan untuk melihat bentuk distribusi frekuensi data numerik.

hist(
  iris$Sepal.Length,
  main = "Distribusi Panjang Sepal",
  xlab = "Panjang Sepal",
  ylab = "Frekuensi",
  col = "lightblue",
  border = "white"
)

5.3 Boxplot

Boxplot memperlihatkan median, kuartil, rentang data, dan kemungkinan pencilan.

boxplot(
  Sepal.Length ~ Species,
  data = iris,
  main = "Panjang Sepal Berdasarkan Spesies",
  xlab = "Spesies",
  ylab = "Panjang Sepal",
  col = c("lightblue", "lightgreen", "lightpink")
)

5.4 Scatterplot

Scatterplot digunakan untuk mengamati pola hubungan antara dua variabel numerik.

plot(
  iris$Sepal.Length,
  iris$Petal.Length,
  main = "Hubungan Panjang Sepal dan Petal",
  xlab = "Sepal Length",
  ylab = "Petal Length",
  pch = 19,
  col = "blue"
)

5.5 Diagram Batang

frekuensi <- table(iris$Species)

barplot(
  frekuensi,
  main = "Jumlah Pengamatan Setiap Spesies",
  xlab = "Spesies",
  ylab = "Frekuensi",
  col = c("skyblue", "lightgreen", "salmon")
)

5.6 Visualisasi dengan ggplot2

Package ggplot2 dapat digunakan untuk membuat grafik dengan pengaturan tampilan yang lebih fleksibel.

if (!requireNamespace("ggplot2", quietly = TRUE)) {
  install.packages("ggplot2")
}

library(ggplot2)

ggplot(iris, aes(x = Sepal.Length, y = Petal.Length,
                 color = Species)) +
  geom_point(size = 2) +
  labs(
    title = "Hubungan Sepal Length dan Petal Length",
    x = "Sepal Length",
    y = "Petal Length",
    color = "Spesies"
  ) +
  theme_minimal()

BAB VI. PRAKTIK REGRESI LINEAR BERGANDA

6.1 Pengertian Regresi Linear Berganda

Regresi linear berganda merupakan metode statistik untuk menjelaskan hubungan satu variabel respons dengan dua atau lebih variabel prediktor. Dalam contoh ini digunakan dataset iris.

Variabel yang digunakan:

Simbol	Variabel	Keterangan
Y	Petal.Length	Panjang petal
X1	Sepal.Length	Panjang sepal
X2	Sepal.Width	Lebar sepal
X3	Petal.Width	Lebar petal

6.2 Bentuk Umum Model

\[ Y_i=\beta_0+\beta_1X_{1i}+\beta_2X_{2i} +\beta_3X_{3i}+\varepsilon_i \]

Keterangan: \(Y_i\) adalah variabel respons, \(\beta_0\) adalah konstanta, \(\beta_j\) adalah koefisien regresi, \(X_{ji}\) adalah variabel prediktor, dan \(\varepsilon_i\) adalah galat.

6.3 Menyiapkan Data

data("iris")

data_analisis <- iris[, c(
  "Petal.Length",
  "Sepal.Length",
  "Sepal.Width",
  "Petal.Width"
)]

head(data_analisis)

#>   Petal.Length Sepal.Length Sepal.Width Petal.Width
#> 1          1.4          5.1         3.5         0.2
#> 2          1.4          4.9         3.0         0.2
#> 3          1.3          4.7         3.2         0.2
#> 4          1.5          4.6         3.1         0.2
#> 5          1.4          5.0         3.6         0.2
#> 6          1.7          5.4         3.9         0.4

str(data_analisis)

#> 'data.frame':    150 obs. of  4 variables:
#>  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
#>  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
#>  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
#>  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...

6.4 Statistik Deskriptif Variabel

statistik <- data.frame(
  Variabel = names(data_analisis),
  Minimum = sapply(data_analisis, min),
  Rata_Rata = sapply(data_analisis, mean),
  Median = sapply(data_analisis, median),
  Maksimum = sapply(data_analisis, max),
  SD = sapply(data_analisis, sd)
)

knitr::kable(
  statistik,
  digits = 3,
  caption = "Statistik Deskriptif Variabel Regresi"
)

Statistik Deskriptif Variabel Regresi
	Variabel	Minimum	Rata_Rata	Median	Maksimum	SD
Petal.Length	Petal.Length	1.0	3.758	4.35	6.9	1.765
Sepal.Length	Sepal.Length	4.3	5.843	5.80	7.9	0.828
Sepal.Width	Sepal.Width	2.0	3.057	3.00	4.4	0.436
Petal.Width	Petal.Width	0.1	1.199	1.30	2.5	0.762

6.5 Matriks Korelasi

korelasi <- cor(data_analisis)

knitr::kable(
  korelasi,
  digits = 3,
  caption = "Matriks Korelasi"
)

Matriks Korelasi
	Petal.Length	Sepal.Length	Sepal.Width	Petal.Width
Petal.Length	1.000	0.872	-0.428	0.963
Sepal.Length	0.872	1.000	-0.118	0.818
Sepal.Width	-0.428	-0.118	1.000	-0.366
Petal.Width	0.963	0.818	-0.366	1.000

Matriks korelasi digunakan untuk melihat arah dan kekuatan hubungan linear antarvariabel. Nilai korelasi berada pada rentang -1 sampai 1.

6.6 Estimasi Model Regresi

Model diestimasi menggunakan fungsi lm().

model <- lm(
  Petal.Length ~ Sepal.Length + Sepal.Width + Petal.Width,
  data = data_analisis
)

summary(model)

#> 
#> Call:
#> lm(formula = Petal.Length ~ Sepal.Length + Sepal.Width + Petal.Width, 
#>     data = data_analisis)
#> 
#> Residuals:
#>      Min       1Q   Median       3Q      Max 
#> -0.99333 -0.17656 -0.01004  0.18558  1.06909 
#> 
#> Coefficients:
#>              Estimate Std. Error t value Pr(>|t|)    
#> (Intercept)  -0.26271    0.29741  -0.883    0.379    
#> Sepal.Length  0.72914    0.05832  12.502   <2e-16 ***
#> Sepal.Width  -0.64601    0.06850  -9.431   <2e-16 ***
#> Petal.Width   1.44679    0.06761  21.399   <2e-16 ***
#> ---
#> Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> 
#> Residual standard error: 0.319 on 146 degrees of freedom
#> Multiple R-squared:  0.968,  Adjusted R-squared:  0.9674 
#> F-statistic:  1473 on 3 and 146 DF,  p-value: < 2.2e-16

6.7 Menampilkan Koefisien Regresi

koef <- coef(model)

tabel_koef <- data.frame(
  Parameter = names(koef),
  Estimasi = as.numeric(koef)
)

knitr::kable(
  tabel_koef,
  digits = 4,
  caption = "Estimasi Parameter Regresi"
)

Estimasi Parameter Regresi
Parameter	Estimasi
(Intercept)	-0.2627
Sepal.Length	0.7291
Sepal.Width	-0.6460
Petal.Width	1.4468

Persamaan model hasil estimasi mempunyai bentuk:

\[ \widehat{Y}= \hat{\beta}_0+\hat{\beta}_1X_1+ \hat{\beta}_2X_2+\hat{\beta}_3X_3 \]

6.8 Uji Simultan (Uji F)

Uji F digunakan untuk mengetahui apakah variabel prediktor secara bersama-sama berhubungan dengan variabel respons.

Hipotesis:

\[ H_0:\beta_1=\beta_2=\beta_3=0 \]

\[ H_1:\text{Minimal terdapat satu }\beta_j\neq 0 \]

Taraf signifikansi:

\[ \alpha=0.05 \]

hasil_anova <- anova(model)

knitr::kable(
  hasil_anova,
  digits = 4,
  caption = "Tabel ANOVA Model Regresi"
)

Tabel ANOVA Model Regresi
	Df	Sum Sq	Mean Sq	F value	Pr(>F)
Sepal.Length	1	352.8662	352.8662	3468.5688	0
Sepal.Width	1	50.0224	50.0224	491.7052	0
Petal.Width	1	46.5838	46.5838	457.9047	0
Residuals	146	14.8529	0.1017	NA	NA

fstat <- summary(model)$fstatistic
p_value_f <- pf(
  fstat[1], fstat[2], fstat[3],
  lower.tail = FALSE
)

p_value_f

#>         value 
#> 6.976868e-109

Interpretasi keputusan:

if (p_value_f < 0.05) {
  cat("p-value sebesar ", signif(p_value_f, 4),
      " lebih kecil dari 0,05. H0 ditolak. Terdapat bukti bahwa setidaknya satu prediktor berhubungan secara signifikan dengan variabel respons.",
      sep = "")
} else {
  cat("p-value sebesar ", signif(p_value_f, 4),
      " lebih besar atau sama dengan 0,05. H0 tidak ditolak. Belum terdapat bukti yang cukup bahwa prediktor secara bersama-sama berhubungan signifikan dengan respons.",
      sep = "")
}

p-value sebesar 6.977e-109 lebih kecil dari 0,05. H0 ditolak. Terdapat bukti bahwa setidaknya satu prediktor berhubungan secara signifikan dengan variabel respons.

6.9 Uji Parsial (Uji t)

Uji t digunakan untuk menilai koefisien setiap variabel prediktor secara individual.

Hipotesis:

\[ H_0:\beta_j=0 \]

\[ H_1:\beta_j\neq 0 \]

hasil_t <- summary(model)$coefficients

knitr::kable(
  hasil_t,
  digits = 4,
  caption = "Hasil Uji Parsial Koefisien Regresi"
)

Hasil Uji Parsial Koefisien Regresi
	Estimate	Std. Error	t value	Pr(>\|t\|)
(Intercept)	-0.2627	0.2974	-0.8833	0.3785
Sepal.Length	0.7291	0.0583	12.5025	0.0000
Sepal.Width	-0.6460	0.0685	-9.4312	0.0000
Petal.Width	1.4468	0.0676	21.3987	0.0000

6.10 Koefisien Determinasi

Koefisien determinasi menunjukkan proporsi variasi respons yang dapat dijelaskan oleh model.

\[ R^2=1-\frac{SSE}{SST} \]

r2 <- summary(model)$r.squared
adjusted_r2 <- summary(model)$adj.r.squared

knitr::kable(
  data.frame(
    Ukuran = c("R-squared", "Adjusted R-squared"),
    Nilai = c(r2, adjusted_r2)
  ),
  digits = 4,
  caption = "Koefisien Determinasi"
)

Koefisien Determinasi
Ukuran	Nilai
R-squared	0.9680
Adjusted R-squared	0.9674

6.11 Prediksi dan Residual

Prediksi diperoleh menggunakan predict(). Residual merupakan selisih antara nilai aktual dan nilai prediksi.

prediksi <- predict(model)
residual <- residuals(model)

hasil_prediksi <- data.frame(
  Aktual = data_analisis$Petal.Length,
  Prediksi = prediksi,
  Residual = residual
)

knitr::kable(
  head(hasil_prediksi, 10),
  digits = 3,
  caption = "Nilai Aktual, Prediksi, dan Residual"
)

Nilai Aktual, Prediksi, dan Residual
Aktual	Prediksi	Residual
1.4	1.484	-0.084
1.4	1.661	-0.261
1.3	1.386	-0.086
1.5	1.378	0.122
1.4	1.347	0.053
1.7	1.734	-0.034
1.4	1.329	0.071
1.5	1.476	0.024
1.4	1.361	0.039
1.5	1.452	0.048

6.12 Grafik Aktual dan Prediksi

plot(
  data_analisis$Petal.Length,
  prediksi,
  pch = 19,
  col = "blue",
  main = "Nilai Aktual dan Prediksi Petal Length",
  xlab = "Nilai Aktual",
  ylab = "Nilai Prediksi"
)

abline(a = 0, b = 1, col = "red", lwd = 2)

Titik yang semakin dekat dengan garis diagonal menunjukkan bahwa nilai prediksi semakin dekat dengan nilai aktual.

6.13 Pemeriksaan Diagnostik Model

par(mfrow = c(2, 2))
plot(model)

par(mfrow = c(1, 1))

Grafik diagnostik digunakan untuk membantu memeriksa pola residual, normalitas, kesamaan varians, dan pengamatan yang berpengaruh. Hasilnya perlu ditafsirkan sesuai asumsi model regresi.

BAB VII. MENYIMPAN DAN MENGHASILKAN DOKUMEN

7.1 Menyimpan File

Dokumen R Markdown disimpan dengan ekstensi .Rmd. Pada RStudio, pilih File, kemudian Save As, lalu tentukan nama file.

7.2 Menjalankan Dokumen dengan Knit

Tombol Knit digunakan untuk menjalankan seluruh kode dalam dokumen dan menghasilkan keluaran berdasarkan format yang dipilih pada YAML Header.

7.3 Menghasilkan HTML

rmarkdown::render(
  "Modul_R_Markdown_Elisya.Rmd",
  output_format = "html_document"
)

7.4 Menghasilkan Word

rmarkdown::render(
  "Modul_R_Markdown_Elisya.Rmd",
  output_format = "word_document"
)

7.5 Menghasilkan PDF

rmarkdown::render(
  "Modul_R_Markdown_Elisya.Rmd",
  output_format = "pdf_document"
)

Pembuatan PDF memerlukan instalasi LaTeX, misalnya TinyTeX.

BAB VIII. KESIMPULAN

R Markdown merupakan fasilitas yang dapat digunakan untuk menyusun laporan analisis secara terintegrasi. Materi ini membahas pengenalan R Markdown, penulisan Markdown, pembuatan tabel dan persamaan, penggunaan Code Chunk, pengolahan data, visualisasi, serta penerapan regresi linear berganda.

Melalui fitur Knit, teks, kode, tabel, dan grafik dapat disusun menjadi dokumen keluaran secara otomatis. Dengan demikian, R Markdown membantu menghasilkan laporan yang sistematis, mudah diperbarui, dan mendukung analisis yang dapat direproduksi.

R MARKDOWN

BAB 9 R MARKDOWN

Ziyad

3 November 2026