Algoritma & Struktur Data

~ Tugas 6 ~


Kontak : \(\downarrow\)
Email
Instagram https://www.instagram.com/jeremiheriyand/
RPubs https://rpubs.com/jeremiheriyandi23/

Pendahuluan

Terkoneksi dengan data adalah sesuatu yang sangat dasar dalam pengolahan data (data science) Pada Kejadian ini akan di Tunjukan proses antarmuka data yang paling simpel dan sederhana dengan R sebagai aplikasi yang di gunakan ,secara umum R dapat membaca data dari file yang tersimpan di dalam maupun di luar Direktorinya. Selain itu, R juga bisa menyimpan dan dapat membaca data dalam berbagai format file contohnya seperti csv,excel,txt,rds,XML,json dan yang lain nya # Impor/Ekspor CSV Ada beberapa cara yang bisa dilakukan untuk melakukan impor/expor data dengan menggunakan R. Berikut ini penjelasannya , ditunjukan ada 3 cara yang sering digunakan dalam proses antarmuka data.

Cara 1

Pertama-tama kita harus memastikan direktori kerja dalam koneksi yang tepat dan benar , memeriksa dengan menggunakan cara fungsi getwd(). Kemudian, kita dapat mengatur direktori kerja baru menggunakan fungsi setwd().

print(getwd())                                                                                              #  cetak direktori kerja R
## [1] "C:/Users/e7ils/OneDrive/Dokumen/data algo"
getwd()                                                                                                     #  cetak direktori kerja R
## [1] "C:/Users/e7ils/OneDrive/Dokumen/data algo"
setwd(getwd())                                                                                              #  setting direktori
# Berikutnya, proses impor data dari CSV dengan memakai fungsi read.csv().

dataalgo1 <-read.csv("input/input1.csv",sep = ",")                                                          # format pemisah koma
dataalgo2 <-read.csv("input/input2.csv",sep = ";")                                                          # format pemisah titik koma

# Saat kita ingin melakukan expor data (simpan)  di dalam direktori yang kita mau maka dapat diproses  dengan menggunakan fungsi write.csv() untuk format data dengan pemisah koma (",") dan fungsi write.csv2() untuk format data dengan pemisah semicolon (";").

write.csv(dataalgo1,"output/output1.csv", row.names = FALSE)  
write.csv2(dataalgo2,"output/output2.csv", row.names = FALSE)

Cara 2

Jika pembaca sekalian lebih menyukai koneksi direktori secara automatis, cara pilihan ini sepertinya adalah pilihan yang yang lebih bijak dan lumayan praktis.

#setting direktori
(WD <- getwd())
## [1] "C:/Users/e7ils/OneDrive/Dokumen/data algo"
if (!is.null(WD)) setwd(WD)


#impor data
dataalgo1 <- read.csv(file.path(WD, 'input', 'input1.csv'))
dataalgo2 <- read.csv(file.path(WD, 'input', 'input2.csv'))

# ekspor data
write.csv(dataalgo1, file.path(WD, 'output', 'output1.csv'), row.names = FALSE)
write.csv(dataalgo2, file.path(WD, 'output', 'output2.csv'), row.names = FALSE)

Cara 3

ini merupakan langkah alternatif untuk kita agar lebih nyaman untuk memilih data yang tersimpan di dalam komputer (PC) ataupun laptop dengan tidak harus melakukan pengaturan direktori terlebih dahulu sebelum melakukan proses impor data.

df3 <- read.csv(file.choose())

## Catatan: Proses untuk melakukan impor/eskpor data selanjutnya akan dilakukan dengan cara 1 satu saja.

Impor/Ekspor Excel

Microsoft Excel merupakan program spreadsheet yang paling sering dan lumayan banyak dipakai yang menyimpan data dalam format .xls atau .xlsx. R dapat langsung membaca dari file-file ini menggunakan paket readxl.

# install.packages(c("readxl", "writexl"))          # install `readxl & writexl` 
pacman::p_load(readxl, writexl)                     # load `readxl & writexl`

# impor data
dataalgo3<-read_excel("input/input4.xls")           # impor data xls (97-2003)
dataalgo4<-read_excel("input/input3.xlsx",sheet=1)  # impor data xlsx (2003-up)

# ekspor data
write_xlsx(dataalgo3,"output/output3.xls") 
write_xlsx(dataalgo4,"output/output4.xlsx")

Impor/Ekspor TXT and RDS

Format data yang paling umum dan paling yang sering dipakai untuk melakukan impor/ekspor data ialah file CSV dan XLSX. Namun sayangnya, membutuhkan ukuran file CSV atau XLSX cendrung lebih besar dibandingkan dengan format lainya seperti TXT atau file biner R (RDS). Sehingga, ini dapat membutuhkan sekiranya tambahan waktu pada saat kita akan melakukan impor/ekspor data. Sedikit saran, yang saya rekomendasikan dalam hal ini adalah mengimpor dan melakukan ekspor data tersebut dengan format TXT atau binary.

# impor data
dataalgo5 <- read.table("input/input5.txt")               # format TXT (notepad)
dataalgo6 <- source("input/input6.Rdmpd")                 # format TXT (Rdmpd)       
dataalgo7 <- readRDS("input/input7.rds")                  # format binary RDS       
dataalgo8 <- readRDS("input/input8.ascii")                # format binary ASCII  

# ekspor data
write.table(dataalgo5,"output/output5.txt")                
dump("dataalgo6", "output/output6.Rdmpd")                    
saveRDS(dataalgo7, "output/output7.rds")                      
saveRDS(dataalgo7, "output/output8.ascii", ascii=TRUE)


## Catatan: Format binary sangat lazim dan umum digunakan untuk melakukan ringkasan terhadap  file yang berukuran besar, terutama pada saat menggunakan sistem kontrol (API) seperti halnya Git.

Impor/Ekspor XML

XML adalah suatu kumpulan beragam format file,data di World Wide Web, intranet, dan di situs atau tempat yang lainnya menggunakan teks ASCII standar. XML merupakan sebuah singkatan dari eXtensible Markup Language. Untuk penjelasan lebih lengkap kalian dapat menemukannya di Youtube

Pada dasarnya XML sangatlah mirip dengan HTML, dimana sintak-sintaknya berisi markup. Tetapi, perlu diingat bahwa XML tidaklah sama dengan hal tag markup HTML yang menjelaskan dalam laman struktur datanya terdapat dalam file tersebut. Kalian dapat memperhatikan video penjelasan mengenai HTML yang terdapat di Youtube

Untuk Selanjutnya, mari kita lakukan impor/ekspor data dengan format XML.

library("XML")                                   # load paket XML 
library("kulife")                                # load paket kulife
library("methods")                               # paket kondisional

dataalgo9<- xmlParse("input/input9.xml")         # impor data XML
xml_df <- xmlToDataFrame(dataalgo9)              # konversi ke Dataframe
write.xml(xml_df, "output/output9.xml")          # ekspor data XML

Impor/Ekspor JSON

File JSON dapat menyimpan data sebagai teks di dalam suatu format yang bisa dibaca manusia. Json merupakan sebuah singkatan dari JavaScript Object Notation. R juga dapat membaca file di JSON menggunakan paket jsonlite. Selengkapnya kalian dapat melihat tentang JSON di Youtube.

library("jsonlite")                              # load paket JSON

dataalgo10 <-fromJSON("input/input10.json")      # impor data
json_df <- as.data.frame(dataalgo10)             # konversi ke Dataframe
write_json(json_df, "output/output10.json")      # ekspor data JSON

Impor Data dari Web

banyak website yang menyediakan data untuk digunakan oleh penggunanya. Dengan menggunakan program R, kita dapat melakukan ekstrak data secara spesifik dari situs web tersebut yang secara terprogram. Pada kali ini , saya mau menunjukkan contoh bagaimana cara mengimpor data dari repositori GitHub, namun Anda dapat melakukan hal yang sama dengan masuk ke dalam situs web ataupun juga repositori lain.

CSV

web_csv <- read.csv("https://github.com/Bakti-Siregar/dataset/raw/master/Bookdown-Data-Science-for-Beginners/csv1.csv")

XLSX

library(rio)                          # impor data dari github
install_formats()                     # periksa auto paket yang disarankan
## [1] TRUE
web_xlsx <-rio::import("https://github.com/Bakti-Siregar/dataset/blob/master/Bookdown-Data-Science-for-Beginners/xlsx1.xlsx?raw=true")

Basis Data R

Sistem basis data merupakan data relasional yang tersimpan dalam format yang dinormalisasikan. Sehingga, untuk melakukan proses komputasi statistik kita pasti membutuhkan query SQL yang sangat canggih dan kompleks. Tetapi R dapat terhubung dengan mudah ke banyak database relasional seperti MySql, Oracle, SQL Server, dll. Kemudian biasanya, kita akan mengubah basis data tersebut menjadi sebuah bingkai data (data frame). Setelah data sudah ada dan tersedia di lingkungan R, selanjutnya dimanipulasi atau dilakukan analisis lebih lanjut.

Catatan: Kita akan mempelajari bagian ini di bagian khusus yang disebut “Sistem Basis Data dengan R” pada semester berikutnya.

Menambang Data Web

Pengikisan data dari web (Webscraping Data) merupakan sebuah proses dengan menggunakan bot untuk mengekstrakan konten dan data dari situs web. Tidak sama seperti screen scraping, yang hanya menyalin piksel yang ditampilkan di layar, web scraping dapat mengekstrak kode HTML yang mendasarinya yang berada pada dasarnya disimpan dalam database. Pengikisan data ini dapat mereplikasikan semua konten yang ada dari berbagai web yang telah di tuju.

Catatan: Kita akan mempelajari bagian ini di bagian khusus yang disebut “Ilmu Data Terapan”.

---
title: "Algoritma & Struktur Data"
subtitle: "~ Tugas 6 ~"
author: "Jeremi heryandi saudi"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::robobook:   # https://github,com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"

---

```{r include=FALSE}
knitr::opts_chunk$set(class.source = "nocopy",
                      class.output = "nocopy",
                      message = F,
                      warning = F)

library(reticulate)
library(Rcpp)

```

<br>

<img style="float: right; margin: -50px 50px 0px 50px; width:25%" src="logo matana.png"/>

|
:---- |:----
**Kontak**| **: $\downarrow$**
Email| mugemisausan05@gmail.com
Instagram | https://www.instagram.com/jeremiheriyand/ 
RPubs  | https://rpubs.com/jeremiheriyandi23/ 

***
# Pendahuluan
Terkoneksi dengan data adalah sesuatu yang sangat dasar dalam pengolahan data (data science) Pada Kejadian ini akan di Tunjukan proses antarmuka data yang paling simpel dan sederhana dengan R sebagai aplikasi yang di gunakan ,secara umum R dapat membaca data dari file yang tersimpan di dalam maupun di luar Direktorinya. Selain itu, R juga bisa menyimpan dan dapat membaca data dalam berbagai format file contohnya seperti csv,excel,txt,rds,XML,json dan yang lain nya
# Impor/Ekspor CSV
Ada beberapa cara yang bisa  dilakukan untuk melakukan impor/expor data dengan menggunakan R. Berikut ini penjelasannya , ditunjukan ada 3 cara yang sering digunakan dalam proses antarmuka data.

## Cara 1
Pertama-tama kita harus memastikan direktori kerja dalam koneksi yang tepat dan benar , memeriksa dengan menggunakan cara fungsi getwd(). Kemudian, kita dapat mengatur direktori kerja baru menggunakan fungsi setwd().
```{r}
print(getwd())                                                                                              #  cetak direktori kerja R
getwd()                                                                                                     #  cetak direktori kerja R
setwd(getwd())                                                                                              #  setting direktori
# Berikutnya, proses impor data dari CSV dengan memakai fungsi read.csv().

dataalgo1 <-read.csv("input/input1.csv",sep = ",")                                                          # format pemisah koma
dataalgo2 <-read.csv("input/input2.csv",sep = ";")                                                          # format pemisah titik koma

# Saat kita ingin melakukan expor data (simpan)  di dalam direktori yang kita mau maka dapat diproses  dengan menggunakan fungsi write.csv() untuk format data dengan pemisah koma (",") dan fungsi write.csv2() untuk format data dengan pemisah semicolon (";").

write.csv(dataalgo1,"output/output1.csv", row.names = FALSE)  
write.csv2(dataalgo2,"output/output2.csv", row.names = FALSE)
```
## Cara 2
Jika pembaca sekalian lebih menyukai koneksi direktori secara automatis, cara pilihan  ini sepertinya adalah pilihan yang yang lebih bijak dan lumayan praktis.
```{r}
#setting direktori
(WD <- getwd())
if (!is.null(WD)) setwd(WD)


#impor data
dataalgo1 <- read.csv(file.path(WD, 'input', 'input1.csv'))
dataalgo2 <- read.csv(file.path(WD, 'input', 'input2.csv'))

# ekspor data
write.csv(dataalgo1, file.path(WD, 'output', 'output1.csv'), row.names = FALSE)
write.csv(dataalgo2, file.path(WD, 'output', 'output2.csv'), row.names = FALSE)

```
## Cara 3

ini merupakan langkah alternatif untuk kita agar lebih nyaman untuk memilih data yang tersimpan di dalam komputer (PC) ataupun laptop dengan tidak harus melakukan pengaturan direktori terlebih dahulu sebelum melakukan proses impor data.
```{r}
df3 <- read.csv(file.choose())

## Catatan: Proses untuk melakukan impor/eskpor data selanjutnya akan dilakukan dengan cara 1 satu saja.
```


# Impor/Ekspor Excel
Microsoft Excel merupakan program spreadsheet yang paling sering dan lumayan banyak dipakai yang menyimpan data dalam format .xls atau .xlsx. R dapat langsung membaca dari file-file ini menggunakan paket readxl.
```{r}
# install.packages(c("readxl", "writexl"))          # install `readxl & writexl` 
pacman::p_load(readxl, writexl)                     # load `readxl & writexl`

# impor data
dataalgo3<-read_excel("input/input4.xls")           # impor data xls (97-2003)
dataalgo4<-read_excel("input/input3.xlsx",sheet=1)  # impor data xlsx (2003-up)

# ekspor data
write_xlsx(dataalgo3,"output/output3.xls") 
write_xlsx(dataalgo4,"output/output4.xlsx")
```

# Impor/Ekspor TXT and RDS
Format data yang paling umum dan paling yang sering dipakai  untuk melakukan impor/ekspor data ialah file CSV dan XLSX. Namun sayangnya, membutuhkan ukuran file CSV atau XLSX cendrung lebih besar dibandingkan dengan format lainya seperti TXT atau file biner R (RDS). Sehingga, ini dapat membutuhkan sekiranya tambahan waktu pada saat kita akan melakukan impor/ekspor data. Sedikit saran, yang  saya  rekomendasikan dalam hal ini adalah mengimpor dan melakukan ekspor data tersebut dengan format TXT atau binary.
```{r}
# impor data
dataalgo5 <- read.table("input/input5.txt")               # format TXT (notepad)
dataalgo6 <- source("input/input6.Rdmpd")                 # format TXT (Rdmpd)       
dataalgo7 <- readRDS("input/input7.rds")                  # format binary RDS       
dataalgo8 <- readRDS("input/input8.ascii")                # format binary ASCII  

# ekspor data
write.table(dataalgo5,"output/output5.txt")                
dump("dataalgo6", "output/output6.Rdmpd")                    
saveRDS(dataalgo7, "output/output7.rds")                      
saveRDS(dataalgo7, "output/output8.ascii", ascii=TRUE)


## Catatan: Format binary sangat lazim dan umum digunakan untuk melakukan ringkasan terhadap  file yang berukuran besar, terutama pada saat menggunakan sistem kontrol (API) seperti halnya Git.
```

# Impor/Ekspor XML
XML adalah suatu kumpulan beragam format file,data di World Wide Web, intranet, dan di situs atau tempat yang lainnya menggunakan teks ASCII standar. XML merupakan sebuah singkatan dari eXtensible Markup Language. Untuk penjelasan lebih lengkap kalian dapat  menemukannya di Youtube

Pada dasarnya XML sangatlah mirip dengan HTML, dimana sintak-sintaknya berisi markup. Tetapi, perlu diingat bahwa XML tidaklah  sama dengan  hal tag markup HTML yang menjelaskan dalam laman struktur datanya terdapat dalam file tersebut. Kalian dapat memperhatikan video penjelasan mengenai HTML yang terdapat di Youtube

Untuk Selanjutnya, mari kita lakukan impor/ekspor data dengan format XML.

```{r}
library("XML")                                   # load paket XML 
library("kulife")                                # load paket kulife
library("methods")                               # paket kondisional

dataalgo9<- xmlParse("input/input9.xml")         # impor data XML
xml_df <- xmlToDataFrame(dataalgo9)              # konversi ke Dataframe
write.xml(xml_df, "output/output9.xml")          # ekspor data XML
```


# Impor/Ekspor JSON
File JSON dapat menyimpan data sebagai teks di dalam suatu format yang bisa dibaca manusia. Json merupakan sebuah singkatan dari JavaScript Object Notation. R juga dapat membaca file di JSON menggunakan paket jsonlite. Selengkapnya kalian dapat melihat tentang JSON di Youtube.
```{r}
library("jsonlite")                              # load paket JSON

dataalgo10 <-fromJSON("input/input10.json")      # impor data
json_df <- as.data.frame(dataalgo10)             # konversi ke Dataframe
write_json(json_df, "output/output10.json")      # ekspor data JSON
```

# Impor Data dari Web
banyak website yang menyediakan data untuk digunakan  oleh penggunanya. Dengan menggunakan program R, kita dapat melakukan ekstrak data secara spesifik dari situs web tersebut yang secara terprogram. Pada kali ini , saya mau menunjukkan contoh bagaimana cara mengimpor data dari repositori GitHub, namun Anda dapat melakukan hal yang sama dengan masuk  ke dalam situs web ataupun juga  repositori lain.

## CSV
```{r}
web_csv <- read.csv("https://github.com/Bakti-Siregar/dataset/raw/master/Bookdown-Data-Science-for-Beginners/csv1.csv")
```

## XLSX
```{r}
library(rio)                          # impor data dari github
install_formats()                     # periksa auto paket yang disarankan

web_xlsx <-rio::import("https://github.com/Bakti-Siregar/dataset/blob/master/Bookdown-Data-Science-for-Beginners/xlsx1.xlsx?raw=true")
```
# Basis Data R

Sistem basis data merupakan  data relasional yang tersimpan dalam format yang dinormalisasikan. Sehingga, untuk melakukan proses komputasi statistik kita pasti membutuhkan query SQL yang sangat canggih dan kompleks. Tetapi R dapat terhubung dengan mudah ke banyak database relasional seperti MySql, Oracle, SQL Server, dll. Kemudian biasanya, kita akan mengubah basis data tersebut menjadi sebuah bingkai data (data frame). Setelah data sudah ada dan tersedia di lingkungan R, selanjutnya dimanipulasi atau dilakukan analisis lebih lanjut.

Catatan: Kita akan mempelajari bagian ini di bagian khusus yang disebut “Sistem Basis Data dengan R” pada semester berikutnya.

# Menambang Data Web

Pengikisan data dari web (Webscraping Data) merupakan sebuah proses dengan menggunakan bot untuk mengekstrakan konten dan data dari situs web. Tidak sama seperti  screen scraping, yang hanya menyalin piksel yang ditampilkan di layar, web scraping dapat mengekstrak kode HTML yang mendasarinya yang berada pada dasarnya disimpan dalam database. Pengikisan data ini dapat mereplikasikan semua konten yang ada dari berbagai web yang telah di tuju.

Catatan: Kita akan mempelajari bagian ini di bagian khusus yang disebut “Ilmu Data Terapan”.
