Praktikum 01 - Pengenalan tidyverse
Materi ini akan membahas pengenalan package tidyverse yang merupakan kumpulan dari beberapa package, di antaranya
readrdigunakan untuk mengimpor data tabulartidyrdigunakan untuk merapihkan datadplyrdigunakan untuk memanipulasi dataggplot2digunakan untuk visualisasi data
Sebagai tahap awal, tentu saja seluruh peserta Praktikum Mata Kuliah STA581-Sains Data diharapkan sudah menginstall R dan RStudio
Installing the Package
Pada penggunaan pertama, silahkan install terlebih dulu package yang akan digunakan dengan cara menuliskan code berikut:
install.packages("tidyverse")selanjutnya load package yang telah diinstall:
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.2 v purrr 0.3.4
## v tibble 3.0.4 v dplyr 1.0.2
## v tidyr 1.1.2 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.0## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()Untuk melihat isi dari package, kita dapat menggunakan perintah help() atau dengan menuliskan ?? yang diikuti dengan keyword yang akan dicari.
??tidyverse
Import Data
Package tidyverse menggunakan tibble sebagai pengganti data.frame. Import data dengan format .csv yang dilakukan menggunakan fungsi read.csv() akan menyimpan data sebagai data.frame sedangkan fungsi read_csv() dari package readr akan menyimpannya sebagai tibble. Untuk data berukuran besar, package readr dinilai mampu mengimpor data dengan lebih cepat.
tictoc::tic()
cars1<-utils::read.csv("https://github.com/tidyverse/readr/raw/master/inst/extdata/mtcars.csv")
class(cars1)## [1] "data.frame"tictoc::toc()## 0.54 sec elapsedtictoc::tic()
cars2<-readr::read_csv("https://github.com/tidyverse/readr/raw/master/inst/extdata/mtcars.csv")##
## -- Column specification --------------------------------------------------------
## cols(
## mpg = col_double(),
## cyl = col_double(),
## disp = col_double(),
## hp = col_double(),
## drat = col_double(),
## wt = col_double(),
## qsec = col_double(),
## vs = col_double(),
## am = col_double(),
## gear = col_double(),
## carb = col_double()
## )class(cars2)## [1] "spec_tbl_df" "tbl_df" "tbl" "data.frame"tictoc::toc()## 0.64 sec elapsedcars2## # A tibble: 32 x 11
## mpg cyl disp hp drat wt qsec vs am gear carb
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
## 2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
## 3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
## 5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
## 6 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1
## 7 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
## 8 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
## 9 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
## 10 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
## # ... with 22 more rowsMenurut Hidayatuloh (2019), beberapa kelebihan tibble dibandingkan data.frame diantaranya adalah ketika menampilkan data, tibble tidak menampilkan semua baris dan kolom. Jika ada lebih dari 10 baris data, maka hanya akan ada 10 baris pertama yang ditampilkan dan beberapa variabel sesuai dengan lebar console R Anda.
# Contoh mengimpor data yang berukuran besar
system.time(accident<-read_csv("https://vincentarelbundock.github.io/Rdatasets/csv/DAAG/nassCDS.csv"))## Warning: Missing column names filled in: 'X1' [1]##
## -- Column specification --------------------------------------------------------
## cols(
## X1 = col_double(),
## dvcat = col_character(),
## weight = col_double(),
## dead = col_character(),
## airbag = col_character(),
## seatbelt = col_character(),
## frontal = col_double(),
## sex = col_character(),
## ageOFocc = col_double(),
## yearacc = col_double(),
## yearVeh = col_double(),
## abcat = col_character(),
## occRole = col_character(),
## deploy = col_double(),
## injSeverity = col_double(),
## caseid = col_character()
## )## user system elapsed
## 0.35 0.05 1.33system.time(accident<-read.csv("https://vincentarelbundock.github.io/Rdatasets/csv/DAAG/nassCDS.csv"))## user system elapsed
## 2.82 0.04 3.27Perhatikan bahwa untuk mengimpor data yang sama menggunakan fungsi read.csv(), cenderung memerlukan waktu yang lebih lama, ini terlihat dari user time.
Pipes (%>%) Operator
Operator pipes (%>%) sangat populer digunakan oleh pengguna tidyverse. Fungsi ini awalnya dikembangkan pada package magrittr yang juga merupakan bagian dari package dplyr.
Digunakan data iris dari package datasets
library(datasets)
data(iris)
iris<-tibble::as_tibble(iris)Perhatikan contoh berikut untuk lebih memahami fungsi dari operator tersebut.
mean(iris$Sepal.Length)## [1] 5.843333atau
iris$Sepal.Length %>% mean()## [1] 5.843333Kedua fungsi di atas menghasilkan angka yang sama. Konsep tidyverse memungkinkan pengguna menggunakan operator %>% agar lebih mudah dalam memahami script karena script tersebut menunjukkan urutan fungsi yang digunakan.
Perhatikan contoh berikut ini.
x <- c(0.109, 0.359, 0.63, 0.996, 0.515, 0.142, 0.017, 0.829, 0.907)Tanpa Operator Pipes
round(exp(diff(log(x))), 1)## [1] 3.3 1.8 1.6 0.5 0.3 0.1 48.8 1.1Dengan fungsi %>%, fungsi di atas dapat dituliskan sebagai berikut.
x %>% log() %>%
diff() %>%
exp() %>%
round(1)## [1] 3.3 1.8 1.6 0.5 0.3 0.1 48.8 1.1Informasi lebih lengkap tentang operator pipes dapat pula dilihat pada Willems (2017) atau silahkan klik di sini.
Introduction to dplyr Package
Seperti dijelaskan sebelumnya, tidyverse merupakan kumpulan dari beberapa package, salah satunya adalah package dplyr. Berikut adalah beberapa contoh penggunaan package dplyr.
Fungsi summarise()
Pertama, contohnya penggunaan fungsi summarise() untuk meringkas data.
#menghitung rata-rata Sepal length setiap species
iris %>% group_by(Species) %>% summarise(mean=mean(Sepal.Length), .groups='drop')## # A tibble: 3 x 2
## Species mean
## <fct> <dbl>
## 1 setosa 5.01
## 2 versicolor 5.94
## 3 virginica 6.59Fungsi arrange()
Menggunakan fungsi arrange() untuk mengurutkan data.
#mengurutkan berdasarkan peubah Sepal.Length dari nilai terkecil
iris %>% arrange(Sepal.Length)## # A tibble: 150 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 4.3 3 1.1 0.1 setosa
## 2 4.4 2.9 1.4 0.2 setosa
## 3 4.4 3 1.3 0.2 setosa
## 4 4.4 3.2 1.3 0.2 setosa
## 5 4.5 2.3 1.3 0.3 setosa
## 6 4.6 3.1 1.5 0.2 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 4.6 3.6 1 0.2 setosa
## 9 4.6 3.2 1.4 0.2 setosa
## 10 4.7 3.2 1.3 0.2 setosa
## # ... with 140 more rows#mengurutkan berdasarkan peubah Sepal.Length dari nilai terbesar
iris %>% arrange(desc(Sepal.Length))## # A tibble: 150 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <fct>
## 1 7.9 3.8 6.4 2 virginica
## 2 7.7 3.8 6.7 2.2 virginica
## 3 7.7 2.6 6.9 2.3 virginica
## 4 7.7 2.8 6.7 2 virginica
## 5 7.7 3 6.1 2.3 virginica
## 6 7.6 3 6.6 2.1 virginica
## 7 7.4 2.8 6.1 1.9 virginica
## 8 7.3 2.9 6.3 1.8 virginica
## 9 7.2 3.6 6.1 2.5 virginica
## 10 7.2 3.2 6 1.8 virginica
## # ... with 140 more rowsFungsi filter()
Menggunakan fungsi filter() untuk memilih sebagian data berdasarkan nilai tertentu.
iris %>% filter(Species=="setosa")## # A tibble: 50 x 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
## # ... with 40 more rowsFungsi select()
Fungsi select() dapat digunakan untuk memilih subset data berdasarkan peubah tertentu.
iris %>% select(Species,Petal.Width,Petal.Length)## # A tibble: 150 x 3
## Species Petal.Width Petal.Length
## <fct> <dbl> <dbl>
## 1 setosa 0.2 1.4
## 2 setosa 0.2 1.4
## 3 setosa 0.2 1.3
## 4 setosa 0.2 1.5
## 5 setosa 0.2 1.4
## 6 setosa 0.4 1.7
## 7 setosa 0.3 1.4
## 8 setosa 0.2 1.5
## 9 setosa 0.2 1.4
## 10 setosa 0.1 1.5
## # ... with 140 more rowsFungsi mutate()
Menggunakan fungsi mutate() untuk menambahkan peubah baru pada data.
iris %>% mutate(sepal=Sepal.Length+Sepal.Width)## # A tibble: 150 x 6
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species sepal
## <dbl> <dbl> <dbl> <dbl> <fct> <dbl>
## 1 5.1 3.5 1.4 0.2 setosa 8.6
## 2 4.9 3 1.4 0.2 setosa 7.9
## 3 4.7 3.2 1.3 0.2 setosa 7.9
## 4 4.6 3.1 1.5 0.2 setosa 7.7
## 5 5 3.6 1.4 0.2 setosa 8.6
## 6 5.4 3.9 1.7 0.4 setosa 9.3
## 7 4.6 3.4 1.4 0.3 setosa 8
## 8 5 3.4 1.5 0.2 setosa 8.4
## 9 4.4 2.9 1.4 0.2 setosa 7.3
## 10 4.9 3.1 1.5 0.1 setosa 8
## # ... with 140 more rowsBerbagai fungsi pada package dplyr dapat dilihat pada cheatsheet yang dapat diakses pada link ini.
Case Study: Baseball Data Set
Studi kasus dilakukan dengan menggunakan data baseball yang terdapat pada package Lahman. Untuk itu package tersebut perlu diinstall dan di-load terlebih dulu dengan script berikut:
install.packages("Lahman")Setelah itu, kita dapat memanggil data yang akan digunakan, yaitu data Teams.
library(Lahman)
data("Teams")
Teams<-tibble::as_tibble(Teams)Untuk mengetahui deskripsi data Teams, kita dapat menggunakan perintah help() atau ?? berikut.
??TeamsMenurut Lahman (2020), “The updated version of the database contains complete batting and pitching statistics from 1871 to 2019, plus fielding statistics, standings, team stats, managerial records, post-season data, and more”.
Data Exploration
Fungsi dim dapat digunakan untuk mengetahui ukuran data sedangkan fungsi glimpse dan head dapat digunakan untuk melihat pratinjau dari data.
dim(Teams)## [1] 2925 48Artinya, data Teams terdiri dari 2925 baris (pengamatan) dan 48 kolom (peubah).
head(Teams)## # A tibble: 6 x 48
## yearID lgID teamID franchID divID Rank G Ghome W L DivWin WCWin
## <int> <fct> <fct> <fct> <chr> <int> <int> <int> <int> <int> <chr> <chr>
## 1 1871 NA BS1 BNA <NA> 3 31 NA 20 10 <NA> <NA>
## 2 1871 NA CH1 CNA <NA> 2 28 NA 19 9 <NA> <NA>
## 3 1871 NA CL1 CFC <NA> 8 29 NA 10 19 <NA> <NA>
## 4 1871 NA FW1 KEK <NA> 7 19 NA 7 12 <NA> <NA>
## 5 1871 NA NY2 NNA <NA> 5 33 NA 16 17 <NA> <NA>
## 6 1871 NA PH1 PNA <NA> 1 28 NA 21 7 <NA> <NA>
## # ... with 36 more variables: LgWin <chr>, WSWin <chr>, R <int>, AB <int>,
## # H <int>, X2B <int>, X3B <int>, HR <int>, BB <int>, SO <int>, SB <int>,
## # CS <int>, HBP <int>, SF <int>, RA <int>, ER <int>, ERA <dbl>, CG <int>,
## # SHO <int>, SV <int>, IPouts <int>, HA <int>, HRA <int>, BBA <int>,
## # SOA <int>, E <int>, DP <int>, FP <dbl>, name <chr>, park <chr>,
## # attendance <int>, BPF <int>, PPF <int>, teamIDBR <chr>,
## # teamIDlahman45 <chr>, teamIDretro <chr>glimpse(Teams)## Rows: 2,925
## Columns: 48
## $ yearID <int> 1871, 1871, 1871, 1871, 1871, 1871, 1871, 1871, 1871...
## $ lgID <fct> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ teamID <fct> BS1, CH1, CL1, FW1, NY2, PH1, RC1, TRO, WS3, BL1, BR...
## $ franchID <fct> BNA, CNA, CFC, KEK, NNA, PNA, ROK, TRO, OLY, BLC, EC...
## $ divID <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ Rank <int> 3, 2, 8, 7, 5, 1, 9, 6, 4, 2, 9, 6, 1, 7, 8, 3, 4, 5...
## $ G <int> 31, 28, 29, 19, 33, 28, 25, 29, 32, 58, 29, 37, 48, ...
## $ Ghome <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ W <int> 20, 19, 10, 7, 16, 21, 4, 13, 15, 35, 3, 9, 39, 6, 5...
## $ L <int> 10, 9, 19, 12, 17, 7, 21, 15, 15, 19, 26, 28, 8, 16,...
## $ DivWin <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ WCWin <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ LgWin <chr> "N", "N", "N", "N", "N", "Y", "N", "N", "N", "N", "N...
## $ WSWin <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ R <int> 401, 302, 249, 137, 302, 376, 231, 351, 310, 617, 15...
## $ AB <int> 1372, 1196, 1186, 746, 1404, 1281, 1036, 1248, 1353,...
## $ H <int> 426, 323, 328, 178, 403, 410, 274, 384, 375, 753, 24...
## $ X2B <int> 70, 52, 35, 19, 43, 66, 44, 51, 54, 106, 29, 35, 107...
## $ X3B <int> 37, 21, 40, 8, 21, 27, 25, 34, 26, 31, 9, 10, 30, 5,...
## $ HR <int> 3, 10, 7, 2, 1, 9, 3, 6, 6, 14, 0, 1, 7, 0, 2, 4, 4,...
## $ BB <int> 60, 60, 26, 33, 33, 46, 38, 49, 48, 29, 18, 19, 29, ...
## $ SO <int> 19, 22, 25, 9, 15, 23, 30, 19, 13, 28, 40, 25, 26, 1...
## $ SB <int> 73, 69, 18, 16, 46, 56, 53, 62, 48, 53, 8, 19, 48, 1...
## $ CS <int> 16, 21, 8, 4, 15, 12, 10, 24, 13, 18, 13, 16, 14, 3,...
## $ HBP <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ SF <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ RA <int> 303, 241, 341, 243, 313, 266, 287, 362, 303, 434, 41...
## $ ER <int> 109, 77, 116, 97, 121, 137, 108, 153, 137, 166, 160,...
## $ ERA <dbl> 3.55, 2.76, 4.11, 5.17, 3.72, 4.95, 4.30, 5.51, 4.37...
## $ CG <int> 22, 25, 23, 19, 32, 27, 23, 28, 32, 48, 28, 37, 41, ...
## $ SHO <int> 1, 0, 0, 1, 1, 0, 1, 0, 0, 1, 0, 0, 4, 0, 0, 3, 1, 2...
## $ SV <int> 3, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 4, 0, 0, 1, 0, 1...
## $ IPouts <int> 828, 753, 762, 507, 879, 747, 678, 750, 846, 1548, 7...
## $ HA <int> 367, 308, 346, 261, 373, 329, 315, 431, 371, 573, 48...
## $ HRA <int> 2, 6, 13, 5, 7, 3, 3, 4, 4, 3, 7, 6, 0, 6, 6, 2, 3, ...
## $ BBA <int> 42, 28, 53, 21, 42, 53, 34, 75, 45, 63, 36, 21, 27, ...
## $ SOA <int> 23, 22, 34, 17, 22, 16, 16, 12, 13, 77, 13, 13, 29, ...
## $ E <int> 243, 229, 234, 163, 235, 194, 220, 198, 218, 432, 27...
## $ DP <int> 24, 16, 15, 8, 14, 13, 14, 22, 20, 22, 9, 15, 44, 17...
## $ FP <dbl> 0.834, 0.829, 0.818, 0.803, 0.840, 0.845, 0.821, 0.8...
## $ name <chr> "Boston Red Stockings", "Chicago White Stockings", "...
## $ park <chr> "South End Grounds I", "Union Base-Ball Grounds", "N...
## $ attendance <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ BPF <int> 103, 104, 96, 101, 90, 102, 97, 101, 94, 106, 87, 11...
## $ PPF <int> 98, 102, 100, 107, 88, 98, 99, 100, 98, 102, 96, 122...
## $ teamIDBR <chr> "BOS", "CHI", "CLE", "KEK", "NYU", "ATH", "ROK", "TR...
## $ teamIDlahman45 <chr> "BS1", "CH1", "CL1", "FW1", "NY2", "PH1", "RC1", "TR...
## $ teamIDretro <chr> "BS1", "CH1", "CL1", "FW1", "NY2", "PH1", "RC1", "TR...Filtering
Seandainya seorang pemain bernama Ben bergabung dengan tim New York Mets selama tahun 2004 hingga 2012, cobalah untuk meneliti bagaimana performa tim pada periode tersebut. Fungsi filter dan select dapat digunakan untuk mengidentifikasi secara cepat untuk menjawab pertanyaan tersebut.Sebagai catatan, NYN merupakan singkatan dari klub New York National League.
Langkah pertama adalah melakukan filter pada data Teams sehingga diperoleh hanya data untuk tim New York Mets.
mets<-Teams %>% filter(teamID=="NYN")
nrow(mets)## [1] 58head(mets)## # A tibble: 6 x 48
## yearID lgID teamID franchID divID Rank G Ghome W L DivWin WCWin
## <int> <fct> <fct> <fct> <chr> <int> <int> <int> <int> <int> <chr> <chr>
## 1 1962 NL NYN NYM <NA> 10 161 80 40 120 <NA> <NA>
## 2 1963 NL NYN NYM <NA> 10 162 81 51 111 <NA> <NA>
## 3 1964 NL NYN NYM <NA> 10 163 82 53 109 <NA> <NA>
## 4 1965 NL NYN NYM <NA> 10 164 82 50 112 <NA> <NA>
## 5 1966 NL NYN NYM <NA> 9 161 81 66 95 <NA> <NA>
## 6 1967 NL NYN NYM <NA> 10 162 78 61 101 <NA> <NA>
## # ... with 36 more variables: LgWin <chr>, WSWin <chr>, R <int>, AB <int>,
## # H <int>, X2B <int>, X3B <int>, HR <int>, BB <int>, SO <int>, SB <int>,
## # CS <int>, HBP <int>, SF <int>, RA <int>, ER <int>, ERA <dbl>, CG <int>,
## # SHO <int>, SV <int>, IPouts <int>, HA <int>, HRA <int>, BBA <int>,
## # SOA <int>, E <int>, DP <int>, FP <dbl>, name <chr>, park <chr>,
## # attendance <int>, BPF <int>, PPF <int>, teamIDBR <chr>,
## # teamIDlahman45 <chr>, teamIDretro <chr>Perhatikan bahwa terdapat 58 pengamatan pada data, dimulai dari tahun 1962. Hal ini karena tim the Mets baru bergabung dengan National League pada tahun 1962.
Langkah berikutnya adalah memfilter data hanya ketika Ben bergabung dengan tim, yaitu dimulai pada tahun 2004 dan berakhir 2012.
myMets<-mets %>% filter(yearID %in% 2004:2012)
myMets %>% select(yearID, teamID, W, L)## # A tibble: 9 x 4
## yearID teamID W L
## <int> <fct> <int> <int>
## 1 2004 NYN 71 91
## 2 2005 NYN 83 79
## 3 2006 NYN 97 65
## 4 2007 NYN 88 74
## 5 2008 NYN 89 73
## 6 2009 NYN 70 92
## 7 2010 NYN 79 83
## 8 2011 NYN 77 85
## 9 2012 NYN 74 88Hal ini juga dapat dilakukan sedemikian sehingga kita tidak perlu membuat data baru, sehingga kinerja program menjadi lebih efisien.
Teams %>%
select(yearID, teamID, W, L) %>%
filter(teamID=="NYN" & yearID %in% 2004:2012)## # A tibble: 9 x 4
## yearID teamID W L
## <int> <fct> <int> <int>
## 1 2004 NYN 71 91
## 2 2005 NYN 83 79
## 3 2006 NYN 97 65
## 4 2007 NYN 88 74
## 5 2008 NYN 89 73
## 6 2009 NYN 70 92
## 7 2010 NYN 79 83
## 8 2011 NYN 77 85
## 9 2012 NYN 74 88Output tersebut menunjukkan performa tim berdasarkan banyaknya kemenangan (wins (W)) dan kekalahan (losses (L)) selama Ben berada pada tim the Mets.
Setelah mencermati tabel di atas, dapat dilihat bahwa tim The Mets lebih banyak mengalami kekalahan (5 dari 9 tahun) pada periode tersebut. Untuk menelusuri apakah ini terjadi secara kebetulan atau tidak, maka kita perlu meneliti berapa rata-rata kemenangan the Mets yang sesungguhnya.
Penelurusan dimulai dengan mencari nilai harapan dari tingkat kemenangan tim tersebut. Untuk dapat menentukan nilai harapan tersebut, kita dapat memanfaatkan data banyaknya runs yang berhasil mereka menangkan (number of runs that the team scores (RS)) dan banyaknya runs yang mereka lakukan dalam pertandingan(number of runs that the team allows (RA)).
metsBen <- Teams %>% select(yearID, teamID, W, L, R, RA) %>%
filter(teamID == "NYN" & yearID %in% 2004:2012)
metsBen## # A tibble: 9 x 6
## yearID teamID W L R RA
## <int> <fct> <int> <int> <int> <int>
## 1 2004 NYN 71 91 684 731
## 2 2005 NYN 83 79 722 648
## 3 2006 NYN 97 65 834 731
## 4 2007 NYN 88 74 804 750
## 5 2008 NYN 89 73 799 715
## 6 2009 NYN 70 92 671 757
## 7 2010 NYN 79 83 656 652
## 8 2011 NYN 77 85 718 742
## 9 2012 NYN 74 88 650 709Untuk memudahkan penamaan variable, maka kita ganti nama variable R menjadi RS.
metsBen <- metsBen %>% rename(RS = R) # new name = old name
metsBen## # A tibble: 9 x 6
## yearID teamID W L RS RA
## <int> <fct> <int> <int> <int> <int>
## 1 2004 NYN 71 91 684 731
## 2 2005 NYN 83 79 722 648
## 3 2006 NYN 97 65 834 731
## 4 2007 NYN 88 74 804 750
## 5 2008 NYN 89 73 799 715
## 6 2009 NYN 70 92 671 757
## 7 2010 NYN 79 83 656 652
## 8 2011 NYN 77 85 718 742
## 9 2012 NYN 74 88 650 709Persentase kemenangan dapat dihitung secara empirik berdasarkan data historis.
metsBen <- metsBen %>% mutate(WPct = W / (W + L))
metsBen## # A tibble: 9 x 7
## yearID teamID W L RS RA WPct
## <int> <fct> <int> <int> <int> <int> <dbl>
## 1 2004 NYN 71 91 684 731 0.438
## 2 2005 NYN 83 79 722 648 0.512
## 3 2006 NYN 97 65 834 731 0.599
## 4 2007 NYN 88 74 804 750 0.543
## 5 2008 NYN 89 73 799 715 0.549
## 6 2009 NYN 70 92 671 757 0.432
## 7 2010 NYN 79 83 656 652 0.488
## 8 2011 NYN 77 85 718 742 0.475
## 9 2012 NYN 74 88 650 709 0.457Selanjutnya anggaplah model yang digunakan untuk menentukan nilai harapan bagi tingkat kemenangan yang umum digunakan pada sabermetrics adalah dengan menggunakan rumus berikut:
\[W_{pct_{duga}}=\frac{1}{1+(\frac{RA}{RS})^2}\]
metsBen <- metsBen %>% mutate(WPct_hat = 1 / (1 +(RA/RS)^2))
metsBen## # A tibble: 9 x 8
## yearID teamID W L RS RA WPct WPct_hat
## <int> <fct> <int> <int> <int> <int> <dbl> <dbl>
## 1 2004 NYN 71 91 684 731 0.438 0.467
## 2 2005 NYN 83 79 722 648 0.512 0.554
## 3 2006 NYN 97 65 834 731 0.599 0.566
## 4 2007 NYN 88 74 804 750 0.543 0.535
## 5 2008 NYN 89 73 799 715 0.549 0.555
## 6 2009 NYN 70 92 671 757 0.432 0.440
## 7 2010 NYN 79 83 656 652 0.488 0.503
## 8 2011 NYN 77 85 718 742 0.475 0.484
## 9 2012 NYN 74 88 650 709 0.457 0.457Nilai harapan untuk kemenangan the Mets dapat dihitung dengan mengalikan \(W_{pct_{duga}}\) dengan banyaknya games.
metsBen <- metsBen %>% mutate(W_hat = WPct_hat * (W + L))
metsBen## # A tibble: 9 x 9
## yearID teamID W L RS RA WPct WPct_hat W_hat
## <int> <fct> <int> <int> <int> <int> <dbl> <dbl> <dbl>
## 1 2004 NYN 71 91 684 731 0.438 0.467 75.6
## 2 2005 NYN 83 79 722 648 0.512 0.554 89.7
## 3 2006 NYN 97 65 834 731 0.599 0.566 91.6
## 4 2007 NYN 88 74 804 750 0.543 0.535 86.6
## 5 2008 NYN 89 73 799 715 0.549 0.555 90.0
## 6 2009 NYN 70 92 671 757 0.432 0.440 71.3
## 7 2010 NYN 79 83 656 652 0.488 0.503 81.5
## 8 2011 NYN 77 85 718 742 0.475 0.484 78.3
## 9 2012 NYN 74 88 650 709 0.457 0.457 74.0Berdasarkan informasi di atas, kita dapat menelusuri kapan the Mets mengalami kemenangan yang lebih besar dari nilai harapannya.
filter(metsBen, W >= W_hat)## # A tibble: 3 x 9
## yearID teamID W L RS RA WPct WPct_hat W_hat
## <int> <fct> <int> <int> <int> <int> <dbl> <dbl> <dbl>
## 1 2006 NYN 97 65 834 731 0.599 0.566 91.6
## 2 2007 NYN 88 74 804 750 0.543 0.535 86.6
## 3 2012 NYN 74 88 650 709 0.457 0.457 74.0Ternyata, the Mets bermain lebih baik dari dugaannya pada musim di tahun 2006, 2007, dan 2012. Dan hal sebaliknya terjadi pada musim di tahun-tahun yang lain selama Ben bermain bersama the Mets. Untuk mengetahui musim terbaik bagi the Mets, kita dapat mengurutkan data tersebut seperti yang dapat dilihat di bawah ini.
arrange(metsBen, desc(WPct))## # A tibble: 9 x 9
## yearID teamID W L RS RA WPct WPct_hat W_hat
## <int> <fct> <int> <int> <int> <int> <dbl> <dbl> <dbl>
## 1 2006 NYN 97 65 834 731 0.599 0.566 91.6
## 2 2008 NYN 89 73 799 715 0.549 0.555 90.0
## 3 2007 NYN 88 74 804 750 0.543 0.535 86.6
## 4 2005 NYN 83 79 722 648 0.512 0.554 89.7
## 5 2010 NYN 79 83 656 652 0.488 0.503 81.5
## 6 2011 NYN 77 85 718 742 0.475 0.484 78.3
## 7 2012 NYN 74 88 650 709 0.457 0.457 74.0
## 8 2004 NYN 71 91 684 731 0.438 0.467 75.6
## 9 2009 NYN 70 92 671 757 0.432 0.440 71.3Untuk melihat ringkasan data untuk menilai performa tim selama tahun 2004-2012, kita dapat menggunakan fungsi summarize() berikut.
metsBen %>%
summarize(num_years = n(), total_W = sum(W), total_L = sum(L),
total_WPct = sum(W) / sum(W + L), sum_resid = sum(W - W_hat))## # A tibble: 1 x 5
## num_years total_W total_L total_WPct sum_resid
## <int> <int> <int> <dbl> <dbl>
## 1 9 728 730 0.499 -10.6Seperti dijelaskan oleh Baumer et al. (2017),
“Dalam sembilan tahun ini, Mets memiliki rekor gabungan 728 kemenangan dan 730 kekalahan, dengan persentase kemenangan keseluruhan 0,499. Hanya satu kemenangan ekstra akan membuat mereka tepat 0,500! (Jika kami dapat memilih game untuk bermain kembali, kami pasti akan memilih game terakhir musim 2007. Playoff di sana pasti akan menghasilkan kemenangan.) Namun, kami juga telah mempelajari bahwa performa tim relatif buruk berdasarkan model yang dibuat, yaitu dengan total selisih 10,6 pertandingan selama sembilan musim tersebut”, (p. 77).
Analisa lebih lanjut untuk studi kasus ini dapat dipelajari pada Baumer et al. (2017).
Tugas
Tugas untuk Praktikum 01 ini adalah :
- Cari Datasets selain
irisdanTeams.
- Anda hanya boleh menggunakan data di package
datasetsmaupun datasets di packageRlainnya.
- Pada datasets yang Anda pilih, Praktikkan penggunaan fungsi
summarise(),arrange(),filter(),mutate(),select()minimal 1 kali secara terpisah.
- Praktikan penggunaan fungsi tersebut secara bersama-sama.(jumlahnya bebas)
- Kerjakan tugas tersebut menggunakan
rmarkdown. Upload filehtmldinewlmsdan publish pekerjaan Anda tersebut diRpubsAnda masing-masing. Harap sertakan link ke Rpubs tersebut di filehtmlyang Anda kumpulkan dinewlms.
Referensi
Baumer, B.S., Kaplan, D.T., Horton, N.J. 2017. Modern Data Science with R. CRC Press.
Hidayatuloh, A. (June 10, 2019). Eksplorasi data Menggunakan R (Tidyverse approach). Retrieved from https://rstudio-pubs-static.s3.amazonaws.com/503447_57eb680b5be348b6b965df58e354767
Huynh, Y. W. (2019, August 6). Chapter 4 introduction to Tidyverse | R for graduate students. Retrieved from https://bookdown.org/yih_huynh/Guide-to-R-Book/tidyverse.html
Lahman, S. (2020, April 3). Lahman’s baseball database. SeanLahman.com. Retrieved from https://www.seanlahman.com/baseball-archive/statistics/
Oliver, J. (n.d.). Introduction to tidyverse packages. Retrieved from https://jcoliver.github.io/learn-r/012-intro-tidyverse.html
Panggola, S.A. (2020, January 6). Ekplorasi data Menggunakan packages Tidyverse Di R (Part 1). Retrieved from https://medium.com/@17611078/ekplorasi-data-menggunakan-packages-tidyverse-di-r-part-1-de463e92b6fb
Speegle, D., & Clair, B. (2020, August 10). Chapter 1 data in R | Foundations of statistics with R. SLU Mathematics and Statistics : Department of Mathematics and Statistics. https://mathstat.slu.edu/~speegle/_book/RData.html
Willems, K. (2017, November 17). Pipes in R tutorial for beginners. DataCamp Community. Retrieved from https://www.datacamp.com/community/tutorials/pipe-r-tutorial
IPB University, rahmaanisa@apps.ipb.ac.id↩︎
IPB University, gerry_dito@apps.ipb.ac.id↩︎
Badan Informasi Geospasial, abdul.aziz@big.go.id↩︎