Dokumen ini memberikan pengantar singkat tentang bahasa pemrograman R. Menguraikan apa itu R, mengapa R cocok untuk analisis data dan visualisasi, komponen-komponen R seperti R base, R packages, dan cara memuat dan menganalisis data sederhana menggunakan fungsi dasar R."
Pentingnya Berbagi Data untuk Pengembangan Prediksi dan Pemodelan IklimDasapta Erwin Irawan
Materi ini adalah bagian dari Webinar berjudul "Di bawah bayang-bayang El-Nino" yang diselenggarakan oleh Fakultas Ilmu dan Teknologi Kebumia, Institut Teknologi Bandung.
Dalam acara tersebut ditampilkan dua orang narasumber lainnya, yaitu: Dr. Joko Wiratmo (FITB) dan Dr. Eddy Hermawan (BRIN).
Berbagi data sangat penting untuk pengembangan prediksi dan pemodelan iklim dengan beberapa alasan.
Pertama, model iklim kompleks dan membutuhkan jumlah data yang besar untuk dianalisis. Dengan berbagi data, para peneliti dapat menggabungkan sumber daya mereka dan membuat model yang lebih akurat dan dapat diandalkan.
Kedua, berbagi data memungkinkan para peneliti untuk membandingkan dan kontras model-model yang berbeda, yang dapat membantu mereka mengidentifikasi dan memperbaiki kesalahan.
Ketiga, berbagi data dapat membantu mengidentifikasi tren dan pola baru dalam data iklim, yang dapat digunakan untuk meningkatkan prediksi.
Terdapat beberapa tantangan dalam berbagi data, berikut tiga diantaranya:
Kepemilikan data: Siapa pemilik data? Siapa yang berhak membagikannya?
Kualitas data: Bagaimana kita dapat memastikan bahwa data tersebut akurat dan dapat diandalkan?
Akses data: Bagaimana kita dapat membuat data tersebut dapat diakses oleh para peneliti di seluruh dunia?
Meskipun tantangan-tantangan tersebut, berbagi data sangat penting untuk pengembangan prediksi dan pemodelan iklim. Dengan berbagi data, para peneliti dapat bekerja sama untuk menciptakan model yang lebih akurat dan dapat diandalkan yang dapat membantu kita memahami dan mengurangi perubahan iklim.
Berikut adalah beberapa contoh bagaimana berbagi data telah digunakan untuk meningkatkan prediksi dan pemodelan iklim:
Pada tahun 2015, Organisasi Meteorologi Dunia (WMO) meluncurkan Global Data Partnership for Climate Services (GDPS). GDPS adalah jaringan global penyedia dan pengguna data yang bertujuan untuk meningkatkan ketersediaan dan kualitas data iklim untuk prediksi dan pemodelan iklim.
Pada tahun 2016, Administrasi Oseanografi dan Atmosfer Nasional (NOAA) meluncurkan Program Climate Data Record (CDR). Program CDR adalah kumpulan rangkaian data iklim berkualitas tinggi yang tersedia secara gratis bagi para peneliti di seluruh dunia.
Pada tahun 2017, Panel Antar Negara tentang Perubahan Iklim (IPCC) merilis Laporan Penilaian Kelima mereka. Laporan IPCC didasarkan pada data dari ribuan ilmuwan di seluruh dunia.
Ini hanya beberapa contoh bagaimana berbagi data digunakan untuk meningkatkan prediksi dan pemodelan iklim. Saat kita terus menghadapi tantangan perubahan iklim, berbagi data akan menjadi semakin penting.
Website terkait: http://dasaptaerwin.net/wp/2023/06/materi-dan-siaran-pers-webinar-di-bawah-bayang-bayang-el-nino.html
ANALISIS KONDISI HIDROGEOLOGI KAWASAN PANTAI MUTUN, KABUPATEN PESAWARAN,
PROVINSI LAMPUNG
Oleh
Ahmad Fairuz Aprisna NIM: 12016013
Pembimbing: Dasapta Erwin Irawan
ABSTRAK
Studi geologi dan hidrogeologi dilakukan di Kawasan Pantai Mutun, Kabupaten Pesawaran, Provinsi Lampung. Luas daerah penelitian seluas 32,24 km2. Tujuan dari penelitian ini adalah untuk menentukan tatanan geologi di Kawasan Pantai Mutun, memetakan kondisi hidrogeologinya, serta menentukan persebaran intrusi air laut di akuifer tak tertekan. Metodologi yang digunakan yaitu pengambilan data lapangan dan analisis kualitas airtanah dengan TDS dan pH. Daerah penelitian dibagi menjadi empat satuan batuan tidak resmi, yaitu Satuan Breksi, Satuan Tuf, Satuan Lava Andesit, dan Satuan Endapan Aluvial. Nilai TDS pada daerah penelitian yaitu 93-4033 ppm. Nilai pH pada daerah penelitian yaitu 7,04-7,79. Airtanah pada daerah penelitian terbagi menjadi empat zona berdasarkan parameter intrusi air laut, yaitu Zona Air Tawar dan Layak Minum, Zona Air Tawar, Zona Agak Asin, dan Zona Sedang. Terdapat enam sumur pada daerah penelitian yang berada di Zona Agak Asin dan Zona Sedang. Sumur tersebut terindikasi mengalami intrusi air laut.
Kata Kunci: Pantai Mutun, TDS, pH, intrusi air laut
Analisis Kualitas Airtanah Dengan Statistik Multivariat Untuk Identifikasi Si...Dasapta Erwin Irawan
Analisis Kualitas Airtanah Dengan Statistik Multivariat Untuk Identifikasi Sistem Hidrogeologi Kabupaten Kulon Progo, Daerah Istimewa Yogyakarta.
Penulis: Muzaimatul Musyarofah, Dasapta Erwin Irawan, dan Taat Setiawan
Tujuan
Mengetahui kondisi geologi Kab. Kulon Progo
Mengetahui kondisi hidrogeologi Kab. Kulon Progo
Mengetahui kualitas airtanah Kab. Kulon Progo berdasarkan parameter fisika dan kimia.
Batasan
Batasan dalam penelitian ini hanya meliputi area kerja Kab. Kulon Progo. Data yang digunakan dalam penelitian ini berupa data fisika pH, TDS, DHL dan data hidrokimia ion mayor meliputi kation yang diuji adalah Na+, Ca2+, Mg2+, K+ dan anion yang diuji adalah Cl- , SO42-, HCO3-, NO3-.
Abstract
Kulon Progo Regency is in the western part of the Special Province of Yogyakarta with an area of 586.3 km2, divided into 3 zones and 12 districts. The western side of the Kulon Progo region forms the Kulon Progo intrusion mountain, a large dome with a flat top and skewed wings called the "oblong dome". The central and southern parts of Kulon Progo have a faster population growth compared to the northern part. Problems regarding polluted groundwater have been reported several times by the local community, so research to test the quality of groundwater in Kulon Progo is needed. The method used in this research is multivariate analysis to test major 8 ions (four cations and four anions). There are 10 geomorphological units: the Kulon Progo Intrusive Mountains, Kulon Progo Pyroclastic Lava Flow Hills, Jonggrangan Plateau, Sentolo Homocline Ridge, Lava Flow Plain, Coluvial Plain, Alluvial Plain, Kulon Progo Beach Ridge, and Kulon Progo Beach Dunes. The stratigraphy of the study area consists of 12 (twelve) unofficial units in order of old to young, which are the Sandstone and Claystone Units, Ansdesite Unit, Volcanic Breccia Unit, Lava Unit, Limestone and Unit, Tuff and Tuff Sandstone Unit, Limestone Unit and Tuffaceous Sandstone, Tuff and Lava Units, Pebbled Silt Sand Units, River Alluvial Sand-Silt Units, River Alluvial Clay-Silt Units, and Beach Alluvial Sand Units. The research area is divided into 6 (six) aquifer units, namely Volcano Breccia Aquifer, Limestone-Sandstone Aquifer, Tuff and Lava Aquifer, Clay-Silt Aquifer, Sand-Silt Aquifer, and Sand Aquifer. There are 25 water samples that met the pH parameters based on drinking water quality standards, there are 5 samples that had TDS values above the permissible standards. The results of TDS interpolation in studies prior to 2022 show an increase in each district, especially in the southern part of Kulon Progo. In determining the quality of groundwater for irrigation by testing Na%, there are 24 samples with excellent-permissible status and 1 sample unsuitable. In the SAR test, there are 24 excellent samples and 1 good sample. In the SRC test, there are 22 good samples, 2 doubtful samples, and 1 unsuitable sample.
Keywords: Kulon Progo, groundwater, aquifer, drinking water, irrigation.
MODEL KESESUAIAN POLA RUANG BERBASIS GEOLOGI TERINTEGRASI SOSIOEKONOMI DI KAW...Dasapta Erwin Irawan
MODEL KESESUAIAN POLA RUANG BERBASIS GEOLOGI TERINTEGRASI SOSIOEKONOMI DI KAWASAN PERKOTAAN CIKALONG WETAN, KABUPATEN BANDUNG BARAT
SEMINAR KEMAJUAN 3
VALIDASI NILAI KELAS DAN MODEL ANP, KUESIONER, PEMBOBOTAN ANP DAN OVERLAY PETA
Penulis: Yuniarti Ulfa
Promotor: Prof. Deny Juanda Puradimaja, Prof. B. Kombaitan, Dr. Dasapta Erwin Irawan
POLA INTERAKSI AIR TANAH DAN AIR PERMUKAAN SUNGAI BEJI DI WILAYAH KABUPATEN M...Dasapta Erwin Irawan
POLA INTERAKSI AIR TANAH DAN AIR PERMUKAAN SUNGAI BEJI DI WILAYAH KABUPATEN MALANG
SKRIPSI
KONSENTRASI HIDROLOGI DAN LINGKUNGAN
Diajukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik (S.T.)
CINDI FATIKASARI NIM. 175060401111033
UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK MALANG
2022
A LandSAT-driven approach to describe meander stream phenomenon in Mahakam Wa...Dasapta Erwin Irawan
The role of the Mahakam River in society is undeniably vital because it is the cornerstone of product distribution channels from upstream to downstream, namely forestry, agricultural, and even mining commodities. Especially with the National Capital (IKN) plan, the Mahakam River is in a buffer zone. Satellite imagery in Mahakam is available in various seamless access, including those of the National Research and Innovation Agency (BRIN) and the United States Geological Survey (USGS). This study provides an overview of Mahakam Watershed's dynamics through Landsat Imagery's perspective. The Landsat observation is preliminary research from a research grant in Geomorphometry of the Mahakam Watershed, utilizing Landsat image data by combining bands 7, 5, and 3 for Landsat 8 OLI/TIRS (Land Satellite 8 Operational Land Imager and Thermal Infrared Sensor) and bands 7, 4, and 2 as Landsat 5 STM (Land Satellite 5 Sensor Thematic Mapper). The study examines the pattern and changes in the direction of the Mahakam River flow, as well as the phenomenon of the presence of three lakes. So, to the results of the identification, the Mahakam Watershed is divided into three sub-watersheds, upstream, central, and downstream. The Central sub-watershed is characterized by the presence of three natural lakes parallel to the change in flow direction caused by tectonic processes. The impact narrows the river channel, so the velocity experiences a backwash effect and anastomosing reach. Meanwhile, from the morphography aspect, the three lakes in the Mahakam Watershed are in the half-graben framework due to the second strain of the formation of Samarinda Anticlinorium. This research will continue to the measurement, calculation, and modeling stages to have more comprehensive benefits in predicting flood and drought hazards from the dynamics of the Mahakam Watershed.
DELINEATION OF FLOOD-PRONE AREAS THROUGH THE PERSPECTIVE OF RIVER HYDRAULICSDasapta Erwin Irawan
Flash floods in the Saka River (part of the KUSW) struck Muara Dua District with a population of 177.47 people/km2 on May 8th, 2020, due to increased rainfall intensity and land cover changes upstream. Based on this incident, this research will examine hydraulic parameters that directly implications for potential flooding. The rainfall intensity analysis was based on calculations from the Gumbel-Sherman equation in the baseline period 2011-2020. Then the parameters of the runoff coefficient consisting of the slope, land cover, and type of lithology are analyzed by the Hassing method. The results of the rainfall intensity analysis showed that the lowest intensity occurred in August while the highest power occurred in November and April. The runoff coefficient of 53% has implications for peak flow discharge which has an average increase of 11.6%. Flood simulation in KUSW modeled with Hydrologic Engineering Center-River Analysis System (HEC-RAS) software shows 174.4 km2 potential flooding in the five years of the return period and 200 km2 in the ten years of the return period. This analysis model is used as a preventive effort and reduces the negative impact around KUSW.
3. Siapa saya?
Dosen KK Geologi Terapan, FITB, ITB
Mengajar di: Prodi S1 Teknik Geologi dan S2 Teknik Air Tanah
Media sosial: @dasaptaerwin, +Dasapta Erwin Irawan
4. Lisensi dokumen
Dengan menyebutkan penulis dan dokumen ini dalam Daftar
Pustaka, anda boleh:
memperbanyak, menyebarkan, memodifikasi sebagian atau seluruh
dokumen ini,
untuk kegiatan non-komersial.
5. Sumber
Beberapa bagian dari paparan ini diadaptasi dari:
Slide Coursera RD.Peng: R.D. Peng on Github
Slide Coursera Data Specialization oleh J.T. Leek: Data
Specialization
Slide tutorial Kevin Markham: Kevin Markham on Github
Website Quick R Tutorial
Website R Introduction to Statistics
Website saya R from Dummies
dll
6. Data
Data yang disertakan dalam tutorial ini adalah
BandungData.csv.
Berisi data kualitas air (major element) air S. Cikapundung dan
air tanah di bantaran sungainya.
10. Apakah R?
R adalah bahasa pemrograman (statistik) yang dikembangkan
dari Bahasa S.
S ditulis pada tahun 1976 (saya lahir) oleh John Chambers dkk
di Bell Labs.
S awalnya ditulis sebagai library statistik Bahasa Fortran.
S pada tahun 1988 mulai ditulis ulang dengan Bahasa C++,
hingga kemudian menjadi R yang kita kenal sekarang.
11. Mengapa R?
Free dan Lightweight: free as breathing yang diperlukan
hanya koneksi internet, ukuran installer R base < 70 MB, R
Studio < 60 MB. (Bandingkan dengan SPSS, Matlab)
(Bandingkan dengan SPSS, Matlab)
Cross platform: R tersedia untuk Linux, Mac, dan (tentunya)
Windows. (Sebagian besar Windows only)
Peran komunitas open source: sangat aktif, mailing lists, R
Stack Overflow, Youtube, dll.
12. Mengapa R cocok untuk engineer?
Reproducibility: semua yang ditulis dengan R bisa diulang
oleh orang lain untuk diperbaiki dan dikembangkan. Karena
basisnya open source, maka semangat saling berbagi diantara
pemakai R sangat tinggi.
Terstruktur: basis command line, memang sulit pada awalnya,
tapi membuat analisis lebih terstruktur, tiap langkah dapat
didokumentasikan dengan memberi komentar dll.
Visualisasi: R dapat menghasilkan grafis yang sangat bagus
dan plot yang fully-customizeable. Banyak output grafik yang
tidak dapat dibuat dengan piranti lunak spreadsheet
konvensional.
13. Mengapa R cocok untuk non-programmer?
Mudah: sudah banyak tutorial dilengkapi codenya di internet,
tinggal mengetik how to .... in R.
Sederhana: syntax penulisan kode sederhana, berbasis obyek.
Pengembangan intensif: R dapat dikembangkan melalui >
4000 R packages, bahkan untuk web-authoring, web-scraping,
analisis spasial, dll.
17. Karakter R 2
R base telah memiliki perbendaharaan fungsi yang sangat kaya
Beberapa package juga telah dimasukkan ke dalam R base
Pengembangan package tujuannya untuk:
memudahkan dan menyingkat kode, misal: dari 10 baris
menjadi tiga baris saja
meningkatkan kualitas grafis
18. Karakter R 3
Jadi jangan heran kalau anda telah fasih menjalankan satu proses,
kemudian dengan perkembangan baru, baris kode anda menjadi
tidak optimal (terlalu panjang).
19. Komponen R
Sebelum ke tahap instalasi, kita kenali dulu komponen R yang
terdiri dari:
R base atau R core
R IDE
R packages
20. R base atau R core
Inti dari R, full functionality.
Jendela script, console, proses, dan output terpisah.
Unduh installer dari Server CRAN. Mirrors di Indonesia:
Mirror BPPT
Mirror Uni Jember
21. R IDE (Integrated Development Environment)
Ada R Studio atau R Commander.
Jendela script, console, proses, dan output menyatu.
Unduh installer dari Website RStudio
24. R packages
Pengembangan dari fungsi-fungsi R base dikemas sebagai R
packages.
Saat ini ada lebih dari 4000 packages di sini yang telah
terklasifikasi klik menu Task Views, diantaranya:
Spasial
Timeseries
Lingkungan
bahkan Medis
25. R packages 2
Beberapa packages yang sangat fungsional dari pengembang
individu dapat dimasukkan ke dalam fungsi dasar R base versi
berikutnya, misal: utils, stats, datasets, graphics,
grDevices, grid, methods, tools, parallel, compiler, splines,
tcltk, stats4.
26. R packages 3
Beberapa packages yang sering saya pakai, diantaranya:
cluster, foreign, mgcv, rpart, spatial, dll.
Beberapa package yang dikembangkan oleh ahli biologi dan
lingkungan, dapat diunduh dari Website Bioconductor Project
Atau dari individu langsung via repo Github. Perlu
menginstalasi devtools package
27. R packages 4
Package harus diunduh dan diinstalasi terlebih dahulu dengan
perintah:
install.packages("packageName")
Kemudian package harus dimuat ke memory dengan perintah:
library(packageName)
atau
require(packageName)
28. Instalasi
Sekarang mulailah “pekerjaan kotor kita”, yaitu menginstalasi R ke
dalam PC atau laptop kita. Untuk itu coba perhatikan beberapa hal
berikut ini:
Spesifikasi komputer/laptop: Tidak ada spesifikasi khusus
untuk R, tetapi prinsip utamanya adalah makin besar data yang
anda gunakan, makin kompleks analisis yang anda lakukan,
akan memerlukan spesifikasi prosesor dan RAM yang makin
besar. Jadi ini akan sangat bergantung kepada kebutuhan anda.
Untuk keperluan pembelajaran gunakan saja komputer yang
anda miliki sekarang.
Sistem operasi (OS): Seperti yang telah saya sampaikan
sebelumnya, R berjalan di semua OS: Linux (bisa Ubuntu,
Fedora dll), Mac OS, dan tentunya Windows. Jangan kuatir,
yang manapun OS yang anda pakai, spesifikasi R nya akan
sama persis.
29. Instalasi 2
Apa saja yang perlu anda unduh dan install:
R base: Inti dari R.
Kunjungi Situs R Project
Pilih mirror server. Pilih server yang ada di Indonesia. Klik
CRAN mirror di dalam kotak “Getting Started”. Cari server di
Indonesia. Ada dua, silahkan anda pilih:
Server BPPT
Server Universitas Jember
Setelah server CRAN-BPPT terbuka, klik versi R sesuai dengan
OS yang anda miliki.
30. Instalasi 3
R Studio: lingkungan pemrograman.
Kunjungi Situs R Studio
Klik menu Products > RStudio > klik tombol Download
RStudio Desktop. Secara otomatis R Studio akan membaca
OS yang anda pakai dan proses pengunduhan akan segera
dimulai.
31. Instalasi 4
Atau anda bisa langsung buka halaman
http://www.rstudio.com/products/rstudio/download/,
Pilih versi RStudio.
Pilihan installer yang ada per tanggal 04 September 2014
adalah:
RStudio 0.98.1049 - Windows XP/Vista/7/8 ukuran file 48.2
MB tanggal update 2014-09-02
RStudio 0.98.1049 - Mac OS X 10.6+ (64-bit) ukuran file 37.8
MB tanggal update 2014-09-02
RStudio 0.98.1049 - Debian 6+/Ubuntu 10.04+ (32-bit)
ukuran file 56.3 MB tanggal update 2014-09-02
32. Instalasi 5
RStudio 0.98.1049 - Debian 6+/Ubuntu 10.04+ (64-bit)
ukuran file 58 MB tanggal update 2014-09-02
RStudio 0.98.1049 - Fedora 13+/openSUSE 11.4+ (32-bit)
ukuran file 56.6 MB tanggal update 2014-09-02
RStudio 0.98.1049 - Fedora 13+/openSUSE 11.4+ (64-bit)
ukuran file 57.9 MB tanggal update 2014-09-02
33. Instalasi 6
Setelah proses pengunduhan selesai, jalankan file program
instalasinya:
Untuk Linux: jalankan file xRstudioxx.deb dan ikuti
perintahnya
Untuk Mac OSX: jalankan file xRstudioxx.dmg dan ikuti
perintahnya
Untuk Windows: jalankan file xRstudioxx.exe dan ikuti
perintahnya
37. Format data 2
dulu data harus format text/ASCII bukan binary (xls, xlsx, dll),
misal:
txt
csv (comma separated values)
dengan fungsi dasar R
38. Format data 3
sekarang dengan fungsi dari package tambahan, seperti
foreign, read.table, readxl, R dapat meng-import
berbagai format file text maupun binary, misal:
xls, xlsx (Ms Office)
sav (SPPS)
dta (Stata)
odt (LibreOffice)
40. Memuat data ke dalam R
data <- read.csv("BandungData.csv", header = TRUE)
attach(data)
## The following object is masked from package:datasets:
##
## CO2
45. Scatter plot
plot(tds, temp,
xlab = "tds (ppm)",
ylab = "temp (^oC)",
bg = "lightblue",
col = "black",
cex = 1.1,
pch = 21,
frame = FALSE)
abline(lm(tds~temp), col="red") # regression line (y~x)
lines(lowess(tds,temp), col="blue") # lowess line (x,y)
Note: semua yang diketik di belakang simbol # tidak dieksekusi oleh
R, disebut comment. Biasa digunakan untuk memberi penjelasan
baris atau kelompok baris kode.
46. Scatter plot 2
0 200 400 600 800 1000 1200
1520253035
tds (ppm)
temp(C)
Mengapa garis regresi tidak diagonal?
48. Multiple Histogram 2
par(mfrow=c(1,3))
hist(tds, col="red")
hist(ph, col="green")
hist(hard, col="blue")
Histogram of tds
tds
Frequency
0 400 1000
020406080
Histogram of ph
ph
Frequency
5 6 7 8 9
020406080100
Histogram of hard
hard
Frequency
0 40 80
050100150
49. Multiple Histogram 3
par(mfrow=c(2,2))
hist(tds, col="cyan")
hist(ph, col="magenta")
hist(hard, col="yellow")
hist(eh, col="blue")
Histogram of tds
tds
Frequency
0 200 600 1000
060
Histogram of ph
ph
Frequency
5 6 7 8 9
060
Histogram of hard
Frequency
0150
Histogram of eh
Frequency
080
50. Analisis regresi
Berikut contoh perintah untuk mengetahui koef dan intercept
persamaan regresi.
fit <- lm(tds ~ temp, data = data)
coef(fit)
51. Analisis regresi 2
fit <- lm(data$tds ~ data$temp, data = data)
coef(fit)
## (Intercept) data$temp
## -650.96402 37.93123
64. Cluster analysis
# Ward Hierarchical Clustering
d <- dist(as.matrix(mydata), method="euclidean") # distance
fit <- hclust(d, method="complete", members=NULL)
65. Cluster analysis 2
plot(fit) # display dendogram
10424219437101267286289288270287257281279278282283292293462131161621641121101111511454022910015410915716789165821081171701681741751551561602752761131061761712694435982741633634219230301055049223285512051611692592802682562722552582622662902942732642772632712312342262212092129695939479196195771362041401411531598133210382001391981494715854562032810214822026228851913878135201973221641103222159222257319121411515258233522181992787212314699150972071252481221371775721886317812414191166117971183661316470190126186185252187189246249245247691821313419351234181119160212010128867127968665718473132111291213024325025325423724123824024417276392089042217188086144227534322423545211
024681012
Cluster Dendrogram
hclust (*, "complete")
d
Height
Coba tweak grafik ini agar id sampel terbaca.
68. Workshop selanjutnya
tematik: basic stats, multivariate stats, plotting, exploratory
data analysis
sharing session dari pengguna: kasus, data, kode
69. Slide dan kode
Slide:
format pdf tersedia di SlideShare
format ioslide tersedia di Rpubs
Kode: tersedia di Github
70. Media sosial
Facebook Group Indonesia R User
Me on Twitter: @dasaptaerwin
Me on G+: +Dasapta Erwin Irawan
Me on ResearchGate:
www.researchgate.net/profile/dasapta_irawan
I used Ubuntu 14.04 and R Markdown