1 Assignment Operator

First, you should assign a value to a variable on your R console:

x <- 5                                 # menentukan nilai untuk 'x'             
y <- 5                                 # menentukan nilai untuk `y`

2 Simple Calculator in R

Then, run the following code line by line to see the results:

x + y                                  # Penambahan
## [1] 10
x - y                                  # Pengurangan
## [1] 0
x * y                                  # Pengalian
## [1] 25
x/y                                    # Pembagian        
## [1] 1
x^y                                    # Pemangkatan 
## [1] 3125
sqrt(x*y)                              # Akar Kuadrat
## [1] 5
log(x)                                 # logaritma 
## [1] 1.609438
exp(y)                                 # Eksponensial
## [1] 148.4132
(x/y) + y                              # Tanda kurung
## [1] 6

Anda juga dapat melakukan perhitungan menggunakan nama variabel:

total <- x+y                           # Menentukan penjumlahan dari 'x' dan 'y' sebagai variabel 'total' 
average <-(x+x+y)/3                    # Menunjuk rata-rata dari beberapa variabel

R dapat digunakan sebagai penghitung probabilitas. Anda dapat dengan mudah memahami bagian ini ketika Anda melakukan kelas Pengantar tentang Probabilitas.

dbinom(x=3, size=10, prob=0.5)         # Fungsi Densitas (DF) P(X=3) untuk X~B(n=10, p=0.5)
## [1] 0.1171875
dbinom(3, 10, 0.5)                     # Hasil yang sama dengan di atas
## [1] 0.1171875
pbinom(q=3, size=10, prob=0.5)         # Fungsi Distribusi Kumulaitf
## [1] 0.171875
qbinom(p=0.1718, size=10, prob=0.5)    # Kuantil untuk X~B(n=10, p=0.5) 
## [1] 3
rbinom(n=10, size=10, prob=0.5)        # Mengasilkan variabel acak
##  [1] 6 6 5 5 7 5 5 3 6 4
#?distributions                        # Untuk informasi lebih lanjut mengenai distribusi

3 Getting Help

Salah satu bagian terpenting dari bekerja dengan bahasa adalah tau tempat mencari bantuan. R memiliki beberapa jajaran fasilitas, disamping beragam sumber daya bantuan di ekosistem R. Dapatkan bantuan untuk fungsi tertentu.

?dbinom                                # dapatkan bantuan untuk fungsi 'dbinom'    
help(dbinom)                           # dapatkan bantuan untuk fungsi 'dbinom'     
??binomial                             # Jika anda tidak mengetahui nama dari fungsi yang anda cari
help.search('binomial')                # Jika anda tidak mengetahui nama dari fungsi yang anda cari
help.start()                           # Pilihan di mana anda dapat menavigasikan bantuan lokal berbasis web
?help                                  # Pilihan di mana anda dapat menavigasikan bantuan lokal berbasis web

4 Basic Statistics

Mari kita aplikasikan beberapa output ke dalam object bernama ‘x’, lalu kita akan melihat beberapa dasar statistika setelahnya

x = rbinom(n=10, size=10, prob=0.5)    # bekerja. namun ini adalah model yang buruk/jelek
x <- rbinom(n=10, size=10, prob=0.5)   # jalan/cara terbaik
x                                      # untuk mencetak/menghasilkan isi dari objek cukup ketik nama dari objek tersebut
##  [1] 5 3 6 6 5 2 3 6 5 5
print(x)                               # panggilan implisit untuk mencetak/menghasilkan isi dari suatu objek
##  [1] 5 3 6 6 5 2 3 6 5 5
(x <- rbinom(n=10, size=10, prob=0.5)) # cara/jalan alternatif menentukan/menunjuk dan mencetak/menghasilkan
##  [1] 4 6 4 4 3 6 5 4 2 2
max(x)                                 # nilai maksimum dari x
## [1] 6
min(x)                                 # nilai minimum dari x
## [1] 2
mean(x)                                # menghitung rata-rata
## [1] 4
var(x)                                 # menghitung variansi
## [1] 2
sd(x)                                  # standard deviation
## [1] 1.414214
hist(x)                                # plot histogram

ls()                                   # koleksi dari semua objek
## [1] "average" "total"   "x"       "y"
ls(pattern='x')                        # anda dapat menggunakan ls dengan pola teks untuk mencarinya
## [1] "x"
rm(x)                                  # mwnghapus variabel x
ls()                                   # verifikasi
## [1] "average" "total"   "y"

5 Piping

Karena R berasal dari lingkungan Unix dan Linux, maka itu mewarisi banyak bumbunya. Piping adalah ide yang diambil dari cangkang linuc yang mana mengijinkan output dari suatu ekspresi. Sehingga piping membuat kode menjadi lebih mudah dibaca

# Prerequisites:
library(magrittr)                       # memuat fungsi piping
help(package = "magrittr")              # memuat infromasi dari 'magrittr'
x <- rbinom(n=1000, size=10, prob=0.5)  # menghasilkan beberapa data mainan
# Examples:
x %>% var()                             # ganti dari var(x)
## [1] 2.597669
x %>% hist()                            # ganti dari hist(x)

x %>% mean() %>% round(2) %>% add(10)   # ganti dari banyak fungsi
## [1] 14.92

Contoh berikutnya mendemonstrasikan keuntungan dari piping. Dua potongan kode berikutnya pun begitu. Coba urauikan mereka dalam pikiran anda:

# Functional (onion) style
car_data <- transform(aggregate(. ~ cyl, 
                      data = subset(mtcars, hp > 100), 
                      FUN = function(x) round(mean(x, 2))), 
            kpl = mpg*0.4251)
# Piping (magrittr) style
car_data <- mtcars %>%
  subset(hp > 100) %>%
  aggregate(. ~ cyl, data = ., FUN = . %>% mean %>% round(2)) %>%
  transform(kpl = mpg %>% multiply_by(0.4251)) %>%
  print()
##   cyl   mpg   disp     hp drat   wt  qsec   vs   am gear carb       kpl
## 1   4 25.90 108.05 111.00 3.94 2.15 17.75 1.00 1.00 4.50 2.00 11.010090
## 2   6 19.74 183.31 122.29 3.59 3.12 17.98 0.57 0.43 3.86 3.43  8.391474
## 3   8 15.10 353.10 209.21 3.23 4.00 16.77 0.00 0.14 3.29 3.50  6.419010

6 CONCLUSION

Susah ya pak ternyata. Tapi seru juga hahaha.

# Obstacles
x <- ("Saya masih belum mengerti bagian piping pak. Mohon penjelasannya di minggu depan.")
# Last Words
y <-("Terimakasih untuk materi dan penjelasannya")