Pengantar program R

1. PENGANTAR R
Juli, 2012
S
S
Chambers, Becker, Wilks
Chambers, Becker, Wilks
1984: Bell Labs
1984: Bell Labs
S-Plus
S-Plus
1988: Statistical Sciences
1988: Statistical Sciences
1993: MathSoft
2001: Insightful
2008: TIBCO
1993: MathSoft
2001: Insightful
2008: TIBCO
R
R
Ihaka & Gentleman
Ihaka & Gentleman
1996
1996
(The R Project)
(The R Project)
Why R?
• Free
• Open source
• Many packages
• Large support
base
• Multi-platform

2. PENGANTAR R
Juli, 2012
R E V I E W
POPULASI adalah seluruh obyek yang mungkin terpilih atau keseluruhan ciri
yang dipelajari. Ukuran populasi dapat terhingga (countable) atau tak terhingga
(uncountable).
Sampel adalah sebagian dari populasi. Artinya tidak akan ada
sampel jika tidak ada populasi.
POPULASI
SAMPEL
sampling
inferensi
Nilai sebenarnya dari sifat populasi disebut dengan parameter
populasi, yang biasanya dilambangkan dengan huruf Yunani
seperti m (mu), s (sigma), p (pi), r (rho), dan q (theta).

3. PENGANTAR R
Juli, 2012
VARIABEL
Kumpulan nilai yang diperoleh dari hasil pengukuran
nilai
variate/Objek atau penghitungan suatu variabel. Sebagai konsep, kualitas, karakteristik, atribut, atau sifat-sifat
dari suatu objek (orang, benda, tempat, dll) yang
nilainya berbeda-beda antara satu objek dengan objek
lainnya dan sudah ditetapkan oleh peneliti untuk dipelajari
dan ditarik kesimpulannya
D A T A = DATASET
Variabel
R E V I E W
Observasi = Percobaan (eksperiment) dimaknai sebagai
proses membangkitkan sekumpulan data atau tiap
proses yang menghasilkan data mentah.

4. PENGANTAR R
NOTASI PENCATATAN DATA
Objek variate/nilai
Variabel
R E V I E W
Statistika bermanfaat untuk mempelajari populasi,
menganalisis populasi.
Dalam mempelajari populasi, kita memfokuskan pada
satu atau lebih karakteristik dari unit-unit populasi.
Karakteristik ini dinamakan VARIABEL.
Contoh : Kita mungkin tertarik dengan variabel umur,
konsumsi pulsa, penghasilan, tingkat pendidikan dsb.
Karena keterbatasan waktu dan biaya untuk meneliti
suatu populasi, umumnya diambil sejumlah sampel.
Hasil pengukuran variabel terhadap objek-objek
pengamatan (anggota sampel / populasi) dinamakan
data atau dataset.(jamak dari datum atau variate atau
nilai).

5. PENGANTAR R
NOTASI PENCATATAN DATA
R E V I E W
resp Sex Umur Jml Anak Berat Badan Tinggi Badan
1 0 57 1 65 158
2 1 70 3 100 175
3 0 45 0 71 162
4 0 38 2 58 164
5 0 25 1 81 170
...
n 1 1 4 85 172

6. PENGANTAR R
NOTASI PENCATATAN DATA
A = (0 57 1 65 155
1 70 3 100 175
0 45 0 71 10
0 53 2 55 164
0 25 1 51 179
... ... ... ... ...
1 1 4 55 172)
Masing-masing baris merepresentasikan satu pengamatan = Record
Nilai-nalia hasil pengematan terhadap anggota sampel (Individu) dicatat
dalam satu baris.
Setiap KOLOM merepresentasikan nilai satu VARIABEL = Field

7. PENGANTAR R
NOTASI PENCATATAN DATA
Variabel 1 Variabel 2 ... Variabel k ... Variabel p
Item 1 x11 x12 ... x1k ... x1p
Item 2 x21 x22 ... x2k ... x2p
...
...
...
...
...
...
Item j xj1 xj2 ... xjk ... xjp
...
...
...
...
...
...
Item n xn1 xn2 ... xnk ... xnp

8. PENGANTAR R
NOTASI PENCATATAN DATA
A = (x11 x12 ... x1k ... x1p
x21 x22 ... x2k ... x2p
... ... ... ... ... ...
x j1 x j2 ... x jk ... x jp
... ... ... ... ... ...
xn1 xn2 ... xnk ... xnp)
X̄k = 1n
n
x jk s1
Σj=1
2 1n
n
( x j1− ̄ X 1)2 sk
Σj
=1
2 1n
n
( x jk − ̄ X k)2 dimana k=1,2,... , p
Σj
=1

9. PENGANTAR R
NOTASI PENCATATAN DATA
Contoh : Observasi dilakukan terhadap Toko Buku Gramedikau untuk melihat
hubungan antara harga buku dengan banyaknya buku yang terjual. Pengamatan
diperoleh sebagai berikut :
Penjualan Harga Buku
5 80
12 40
8 60
2 110
Tuliskan hasil pengamatan tersebut dalam matriks !
A = (5 80
12 40
8 60
2 110)

10. PENGANTAR R
Manajemen Data
DATA OOBBJJEEKK
Type Data
Mode Data
 Vektor  Matriks  List
 Data Frame  Array  Factor
 Function
 Numerik  Komplex
 Logical  Character

11. PENGANTAR R
Manajemen Data
Mode Contoh di console
Numerik >23
>c(23,14,15,16)
>data.bulan<-c(1,2,3,4,5,6,7,8,9,10,11,12)
Complex >2+5i
>sqrt(as.complec(-5))
Logical >c(T,F,F,T,F,T,F,F)
>data.tahun > 1967
Character >c(“Amir”,”Muis”,”oke”)
>c(“F”,”T”,”F”,”34”)
c() adalah fungsi untuk membuat vektor.
<- adalah tanda asignment untuk memberi nama suatu objek

12. PENGANTAR R
Manajemen Data
Nama Objek “Case Sensitive” – membedakan huruf besar dan huruf kecil.
Nama Objek harus dimulai dengan HURUF dan ditambah dengan kombinasi
dari huruf besar, angka, huruf kecil dan titik.
dataq
xy
dataku.12.juli
1dataq
x-y
Dataku=12.juli
Assignment atau pemberian nama suatu objek digunakan operator “<-” atau
“=”

13. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> 4+6
[1] 10
R melakukan penghitungan skalar aritmetik yang menhasilkan nilai skalar 10.
Oleh R dianggap sebagai vektor dengan panjang 1
[1] menunjukkan elemen pertama dari vektor
Vektor merupakan suatu array atau himpunan bilangan, character atau string, logikal
value dan merupakan objek yang paling dasar dalam R.
Pada data vektor harus digunakan mode tunggal, sehingga gabungan dua data atau
lebih yang berbeda mode tidak dapat dilakukan ke dalam satu objek vektor.
Jika ini dilakukan maka R akan mengubah data ke dalam mode yang lebih umum.

14. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> c(T,1:10)
[1] 1 1 2 3 4 5 6 7 8 9 10
> c("F",F,T)
[1] "F" "FALSE" "TRUE"
> c("A",2,4,F,T)
[1] "A" "2" "4" "FALSE" "TRUE"
c() adalah fungsi untuk membuat vektor. Bisa dikatakan sebagai combine

15. PENGANTAR R
PENGANTAR R
Pemberian NAMA OBJEK
=== Assignment
>x<­12
.6
 >x
[1] 12.6
>s<­”
a adalah string” 
>s

[1] "a adalah string"
>t<­TRUE

>t
[
1] TRUE
>t<­true

Error: object 'true' not found

16. PENGANTAR R
PENGANTAR R
Pemberian NAMA OBJEK
=== Assignment
VARIABEL
>x<letters 
1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
[20] "t" "u" "v" "w" "x" "y" "z"
>length(lettters) 
> length(letters)
[1] 26

17. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> 6
[1] 6
> x<-6
> x
[1] 6
> y<-4
> z<x+y
Error: object 'z' not found
> z<-x+y
> z
[1] 10
> ls()
[1] "x" "y" "z"
Fungsi ls() untuk me list objek yang telah
dibuat

18. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> z<-c(5,9,1,0)
> z
[1] 5 9 1 0
Fungsi c() untuk membuat vektor atau meng
combine vector.
> x<-c(5,9)
> y<-c(1,0)
> z<-c(x,y)
> z
[1] 5 9 1 0

19. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> x<-c(10,5,3,6)
> x
[1] 10 5 3 6
> y<-c(x,0.555,x,x)
> y
[1] 10.000 5.000 3.000 6.000 0.555 10.000 5.000 3.000 6.000 10.000
[11] 5.000 3.000 6.000
> round(y,1)
[1] 10.0 5.0 3.0 6.0 0.6 10.0 5.0 3.0 6.0 10.0 5.0 3.0 6.0
> z<-x*x
> z
[1] 100 25 9 36

20. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> b<-c(10,5,14,12,8,11,9,10,16,20)
> b
[1] 10 5 14 12 8 11 9 10 16 20
> b[2]
[1] 5
> b[c(1,3,5)]
[1] 10 14 8
> b[-c(1,10)]
[1] 5 14 12 8 11 9 10 16
> b[b>10]
[1] 14 12 11 16 20
> r<-b[b>10]
> r
[1] 14 12 11 16 20

21. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> x<-1:10
> x
[1] 1 2 3 4 5 6 7 8 9 10
Fungsi seq() untuk membuat vektor dengan
nilai yang berurutan
> seq(1,9,by=2)
[1] 1 3 5 7 9
> seq(8,20,length=6)
[1] 8.0 10.4 12.8 15.2 17.6 20.0
> rep(1:4,4)
[1] 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
> rep(1:4,rep(4,4))
[1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
Fungsi rep() untuk membuat vektor dengan
nilai pengulangan

22. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> rep(0,100)
[1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[38] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[75] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
> rep(1:3,6)
[1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
> rep(1:3,c(6,4,2))
[1] 1 1 1 1 1 1 2 2 2 2 3 3

23. PENGANTAR R
Jenis Jenis Data Objek === VEKTOR
> x<-c(6,8,9)
> y<-c(1,2,4)
> z<-x*y
> t<-x+y
> x+2
[1] 8 10 11
> z
[1] 6 16 36
> t
[1] 7 10 13
> x<-c(10,5,3,6)
> length(x)
[1] 4
> sum(x)
[1] 24
> prod(x)
[1] 900
> max(x)
[1] 10
> min(x)
[1] 3

24. PENGANTAR R
Manipulasi Data
Diberikan data observasi tinggi badan Mahasiswa Informatika 49 sbb
: 155, 160, 171, 182, 162, 153, 190, 167, 168, 165, 191
> tinggi.mahasiswa<-
c(155,160,171,182,162,153,190,167,168,165,191)
> sort(tinggi.mahasiswa)
[1] 153 155 160 162 165 167 168 171 182 190 191
> median(tinggi.mahasiswa)
[1] 167
> mean(tinggi.mahasiswa)
[1] 169.4545
> round(mean(tinggi.mahasiswa),1)
[1] 169.5
> var(tinggi.mahasiswa)
[1] 169.8727
> sd(tinggi.mahasiswa)
[1] 13.03352
> quantile(tinggi.mahasiswa,0.25)
25%
161
> quantile(tinggi.mahasiswa,0.50)
50%
167
> quantile(tinggi.mahasiswa,0.75)
75%
176.5

25. PENGANTAR R
Manipulasi Data
> datas<-c(1,3,5,2,9)
> mean(datas)
[1] 4
> datas<-c(1,3,5,2,9,0,7,10)
> mean(datas)
[1] 4.625
> datas<-c(1,3,5,2,9,NA,7,10)
> mean(datas)
[1] NA
> mean(datas,na.rm=T)
[1] 5.285714

26. PENGANTAR R
Matriks dan Array
> x<-1:8
> dim(x)<-c(2,4)
> x
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
> x<-matrix(1:8,2,4,byrow=F)
> x
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
> x<-matrix(1:8,2,4,byrow=T)
> x
[,1] [,2] [,3] [,4]
[1,] 1 2 3 4
[2,] 5 6 7 8

27. PENGANTAR R
Matriks dan Array
> cbind(c(1,2),c(3,4))
[,1] [,2]
[1,] 1 3
[2,] 2 4
> x<-c(5,7,9)
> y<-c(6,3,4)
> z<-cbind(x,y)
> z
x y
[1,] 5 6
[2,] 7 3
[3,] 9 4
> dim(z)
[1] 3 2
> d<-rbind(x,y)
> d
[,1] [,2] [,3]
x 5 7 9
y 6 3 4
> dim(d)
[1] 2 3
> rbind(z,z)
x y
[1,] 5 6
[2,] 7 3
[3,] 9 4
[4,] 5 6
[5,] 7 3
[6,] 9 4
> cbind(z,z)
x y x y
[1,] 5 6 5 6
[2,] 7 3 7 3
[3,] 9 4 9 4

28. PENGANTAR R
Matriks dan Array
> z<-c(5,7,9,6,3,4)
> z1<-matrix(z,nrow=3)
> z1
[,1] [,2]
[1,] 5 6
[2,] 7 3
[3,] 9 4
> z2<-matrix(z,ncol=3)
> z2
[,1] [,2] [,3]
[1,] 5 9 3
[2,] 7 6 4
> z3<-matrix(z,ncol=2)
> z3
[,1] [,2]
[1,] 5 6
[2,] 7 3
[3,] 9 4

29. PENGANTAR R
Matriks dan Array
1 −1) A = (1 4 0
A = (3 2
0 1 −1)