PENGENALAN SOFTWARE

MATEMATIKA&STATISTIKA
1. Jenis-jenis lisensi software
2. Software matematika&statistika
3. Sekilas tentang penggunaan software
matematika dan statistika
4. SPLUS dan R
5. Pengenalan R lebih lanjut
6. MAPLE

1. Jenis-jenis Lisensi Software

Ada berbagai istilah dalam lisensi
perangkat lunak yang perlu diketahui
Contoh: free software, open source, public
domain, copylefted software, GPL
Software, proprietary software, dll.

Free Software
Free

Software:

mengizinkan

Software
siapapun

yang

dalam

untuk

lisensinya

menggunakan,

menyalin/menggandakan, dan mendistribusikannya,

sesuai aslinya atau sudah dimodifikasi, baik gratis
maupun dengan memungut biaya. Dengan syarat
utama, source codenya harus tersedia.
Contoh : Linux (kernel), GNOME, GIMP

Open Source
Open Source
Pengertian open source sebenarnya adalah
istilah pemasaran untuk free software.
Ada bermacam-macam lisensi di bawah Open
Source seperti : GPL, MPL, BSD License, UPL,
Artistic License, XPL, LGPL

Contoh : FreeBSD, Mozilla, X, Perl, OpenOffice

Public Domain
Public Domain : Software yang tidak
dilindungi hak cipta. Versi penuh, source
code tersedia secara bebas untuk
dimodifikasi, dan didistribusikan ulang
dengan lisensi apapun.
Contoh : STP MP3 Player

Copylefted Software
Copylefted Software adalah free software
yang tidak mengizinkan distribusi ulang
atau modifikasi dengan menambahkan
batasan baru, sehingga setiap kopi
software ini dalam keadaan asli maupun
dimodifikasi haruslah tetap free software.

Non-Copylefted Free Software

Non-Copylefted Software adalah free software
yang mengizinkan distribusi ulang atau
modifikasi dengan menambahkan batasan baru,
sehingga setiap kopi software ini, dalam bentuk
binary ataupun termodifikasi bisa menjadi
proprietary software.
Contoh : X Window System

GPL Software
GNU GPL (General Public Licence)
adalah lisensi yang mendefinisikan
copylefted software.

Semi-Free Software
Semi-Free Software : Software yang nonfree,
namun
mengizinkan
untuk
menggunakan, mendistribusikan, dan
memodifikasinya
untuk
kepentingan
nonprofit.
Contoh : PGP

Freeware
Freeware adalah software yang bebas
digunakan dan didistribusikan sepanjang
tidak dimodifikasi (dan source codenya
tidak tersedia).
Contoh : StarOffice (versi 5.2), Winamp
(mulai
versi
2.50),
Netscape
communicator, Internet Explorer

Shareware
Pada umumnya shareware adalah software yang bebas
didistribusikan, namun berjangka waktu tertentu, untuk
pemakaian selanjutnya dikenakan pembayaran yang
berguna untuk : membuka (unlock) proteksi software,
menghilangkan peringatan (nagscreen), mengupgrade
(membuka) feature tambahan. Shareware umumnya
closed-source.
Contoh : Winzip, mIRC, MusicMatch Jukebox, Real
Jukebox

Evaluation Copy / Trial / Preview/

Demo
Evaluation Copy / Trial / Preview/ Demo :
Software komersial/ propietary versi akhir (full
version) yang dilepas ke konsumen untuk
dievaluasi untuk jangka waktu tertentu (30/60
hari) untuk pemakaian selanjutnya diharuskan
membeli. Apabila tidak, maka software akan
tidak berfungsi.
Contoh : Macromedia DreamWeaver, Norton
Utilities

Adware, Spyware & Nagware

Adware : Varian dari freeware yang menampilkan iklan
pada tampilan software (umumnya berupa banner)
Contoh : GoZilla!, JetAudio (mulai versi 4.7), Eudora Pro
(mulai versi 4.2), Opera (mulai versi 5)
Spyware : Suatu istilah untuk menyebut software yang
'membonceng'
sebuah
adware,
yang
bertugas
mendownload iklan untuk ditampilkan pada adware
tersebut. Namun, spyware umumnya juga melakukan
'penyadapan' data teknis komputer yang ditempatinya dan
dikirimkan saat komputer itu online.
Nagware : Varian dari shareware yang selalu menampilkan
layar peringatan setiap digunakan, layar ini akan hilang jika
software diregistrasi (dengan membayar), namun software
itu sendiri masih berfungsi secara normal walaupun tidak
diregistrasi
Contoh : ACDSee (sampai versi 2.42), WinZip, mIRC

Stripware & Optionware

Stripware : Varian dari freeware yang menawarkan versi
gratis dari software komersial dengan fasilitas yang
terbatas, biasanya ditandai dengan pemberian nama
Personal Edition/Lite Version/Basic.
Contoh : Eudora Lite, Real Player Basic, Linux
(distribusi Corel)
Optionware :Varian dari freeware yang meminta
imbalan secara sukarela dalam bentuk selain uang,
misalnya : e-mail (mailware), prangko (stampware),
surat/kartupos, dll, bahkan ada yang meminta anda
untuk menyumbangkan sejumlah uang kepada yang
membutuhkan, bahkan ada yang hanya meminta Anda
untuk berhenti menggerutu tentang sulitnya hidup (!).
Contoh : Arachnophilia

Alpha Version & Beta Version

Alpha Version : Software proprietary yang telah selesai
pengkodeannya dan dapat digunakan, namun masih
harus menjalani pengujian internal (dalam lingkungan
pembuatnya)
Contoh : Mozilla
Beta Version :Software proprietary yang telah selesai
pengkodeannya dan dapat digunakan, namun masih
harus menjalani pengujian eksternal (di luar lingkungan
pembuatnya).
Software beta bisa gratis, bisa juga komersial.
Contoh : ICQ

Commercial Sofware & Proprietary

Software
Commercial Sofware : Software yang dijual
dan dilindungi hak cipta (copyright), dapat
bersifat open source atau closed source
(proprietary)
Contoh : Zope, GNU Ada
Proprietary Software :Software komersial yang
bersifat closed source, merupakan kebalikan
dari free software.
Contoh : MS Windows, MS Office

Istilah-istilah yang sering dicampuradukkan

Shareware >< Freeware :

Freeware akan tetap berfungsi penuh tanpa jangka waktu tertentu dan tidak
membutuhkan pembayaran dalam bentuk apapun.

Shareware >< Evaluation :

Shareware bebas didistribusikan, biasanya murah (dibandingkan software
komersial)

Open Source >< Free Software :

Software open source mencakup GPL, shareware, dan komersial

Commercial >< Proprietary :

Software komersial dapat berupa open source, proprietary selalu closed
source

Freeware >< Public Domain :

Freeware biasanya masih dilindungi hak cipta, dengan berbagai variasi (adware,
optionware, limited freeware)

Freeware >< Free Software :

Istilah freeware sebetulnya mencakup free software, namun untuk penggunaan
sehari-hari, freeware merujuk pada free software yang bersifat closed-source.

2. Software matematika&statistika
Ada bermacam-macam software yang dapat
kita gunakan dalam bidang matematika
dan statistika.
Pada dasarnya software tsb dibedakan
menurut cara penggunaannya (paket vs
program) atau menurut jenis lisensinya
(proprietary vs GPL)

JENIS-JENIS PAKET PROGRAM

STATISTIKA DAN MATEMATIKA
Proprietary:
- SPSS
- SPLUS
- STATISTICA
- Minitab
- SAS
- EViews, dll.
GPL:
R
GRETL

3. Sekilas tentang penggunaan software

matematika dan statistika
Statistical Software
PSPP
AMOS
R
AnswerTree
RATS
BMDP
Resampling Stats
EViews
SAS
SHAZAM
GAUSS
SPSS
HLM
Stata
Limdep
Statgraphics
SYSTAT
Lisrel
S-Plus
Microfit
TSP
Mathematical Software:
Minitab
DLL.
Maple

Matlab
Mathematica
LINDO
LINGO
Dll.

KEMAMPUAN BBRP SOFTWARE MAT&STAT

PENGENALAN R
Apa itu R?

R adalah sebuah program open source statistika, yang dapat digunakan

sebagai bahasa pemrograman berbasis matriks atau sebagai paket statistik
standar.
Fitur utama dari R termasuk analisa yang canggih data dan alat grafis,
manipulasi matriks dan penanganan data dan penyimpanan.
R merupakan implementasi dari bahasa pemrograman S, yang juga
digunakan dalam paket komersial S-Plus.
Bagaimana cara mendownload R?

R tersedia secara gratis melalui Comprehensive R Archive Network (CRAN)

yakni http://www.r-project.org atau http://cran.r-project.org
Download file eksekusi dari alamat di atas atau salah satu mirror CRAN,
dan R akan menginstal sendiri.
Untuk petunjuk rinci tentang menginstal R untuk Windows dan pemecahan
masalah, dapat dilihat di halaman web CRAN.

Kemampuan R
Beberapa Kemampuan R:
Design untuk stratifikasi, Klustering, multistage sampling,
unequal/weighted sampling probabilities,
Type estimasi dan analisis statistik: mean, quantiles, variance,
tables, ratios, total.
generalised linear models (misal linear regression, logistic
regression, Poisson models, dst.)
model hazards proporsional
post-stratifikasi dan ranking tests untuk asosiasi dalam tabel dua
arah.

MENJALANKAN R
Dobel klik ikon R yang ada di desktop atau
melalui start menu. Maka akan muncul tampilan:

Menu dan Paket dalam R

Menu dalam R

Menu drop-down memungkinkan kita untuk menyesuaikan lingkungan kerja.

Berpindah ke direktori dari menu File memungkinkan kita untuk mengatur direktori
kerja untuk sesi R.
Dalam Paket, kita dapat mengatur cermin/mirror CRAN dan pilih repositori untuk
menginstal paket-paket baru.
Submenu GUIPreference di bawah menu Edit akan memungkinkan kita untuk
mengkonfigurasi konsol, jendela grafis dan editor.
Dalam menu Help, kita dapat mengakses manual R dalam format pdf dan mencari
bantuan dalam arsip R online.

Paket

Program R yang kita download dari CRAN berisi paket-paket dasar R, yang
mencakup beberapa perintah statistik dasar dan utilitas grafis.
Untuk berbagai jenis analisis statistik, kita perlu menginstal paket tambahan yang
dapat dilakukan dari menu drop-down (Paket -> Install paket).
Sebelum menggunakan paket, kita harus memuat itu untuk sesi kerja saat ini
(paket Load Paket->).
Kita dapat melihat daftar paket R yang tersedia untuk di-download di situs CRAN.

R sebagai alat hitung

R dapat digunakan sebagai alat hitung
dengan cara mengetikkan secara
langsung diikuti dengan enter sehingga
hasilnya ditampilkan.
Contoh:
Perintah (command) dalam
R

> 12*(127/13)-sqrt(2001/5)
[1] 97.22577
Hasil perhitungan

Vektor dan matriks

R dapat menampilkan perhitungan data
dalam bentuk vektor atau matriks.
Contoh:
> x=c(1,3,5,7,9)
>x
[1] 1 3 5 7 9
> y=c(12,15,19,24,30)
>y
[1] 12 15 19 24 30
> x+y
[1] 13 18 24 31 39
> sd(x)
[1] 3.162278
> var(x+y)
[1] 106.5
X
Y
> z=c(x,y)
>z
[1] 1 3 5 7 9 12 15 19 24 30

> dim(z)<-c(2,5)
>z
[,1] [,2] [,3] [,4] [,5]
[1,]

9 15 24

[2,]

7 12 19 30

> w=c(z,x^2,y^2,x*y)
> dim(w)<-c(5,5)
>w
[,1] [,2] [,3] [,4] [,5]
[1,]

1 12

1 144 12

[2,]

3 15

9 225 45

[3,]

5 19 25 361 95

[4,]

7 24 49 576 168

[5,]

9 30 81 900 270

X
Y
X^2
Y^2
X*Y

win.graph()
> x=0:20
plot(x,dbinom(x,size=
20,prob=0.3),type=
"o",lwd=4)

0.15
0.10
0.05
0.00

R dapat digunakan
untuk
menampilkan
beberapa distribusi
probabilitas
dengan mudah.
Contoh

dbinom(x, size = 20, prob = 0.3)

Distribusi probabilitas

10

15

20

x
Plot distribusi binomial
dengan n=20 dan
p=0.3

Plot distribusi normal mean berbeda variansi sama

Plot dua distribusi normal dengan mean berbeda variansi sama
0.5

Kode untuk membuat plot distribusi

normal (sebelah kanan):

0.4

> win.graph()

m=c(0,0.5))

0.3
0.2

>plot(x,dnorm(x,5,1),type="l",lty=1,lwd=2,yli

dnorm(x, 5, 1)

> x=seq(-1,10,length=1000)

mean berbeda variansi sama")

0.0

> title("Plot dua distribusi normal dengan

0.1

> lines(x,dnorm(x,3,1),type="l",lty=4,lwd=2)

6
x

10

Plot distribusi normal mean sama

variansi berbeda
Kode untuk membuat plot
distribusi normal (sebelah
kanan):

0.8
0.6
0.4
0.2
0.0

dnorm(x, 0, 0.5)

> x=seq(-5,5,length=1000)
> plot(x,dnorm(x,0,0.5),type="l",lty=4,
lwd=2)
> lines(x,dnorm(x,0,1),type="l",lty=3,
lwd=2)
> lines(x,dnorm(x,0,2),type="l",lty=2,
lwd=2)
> title("Plot distribusi normal dengan
mean sama variansi berbeda")

Plot distribusi normal dengan mean sama variansi berbeda

-4

-2

PAKET FUNGSI DALAM R

Semua fungsi dan basis data R disimpan dalam paket. Jika ingin
digunakan maka paket harus dipanggil. Untuk melihat isi paket
yang ada digunakan perintah:
> library()
Jika ingin memnggil paket tertentu, argumen dapat diisi, misal:
> library(boot)
Untuk melihat paket yang ada gunakan perintah:
> search()
Akan ditampilkan paket-paket yang tersedia:
[1] ".GlobalEnv"

"package:boot"

"package:methods"

[4] "package:stats"
"package:graphics"
"package:grDevices"
[7] "package:utils"
[10] "package:base"

"package:datasets" "Autoloads"

Persiapan Data untuk Analisis

Tipe data

Ada beberapa jenis struktur data di R: vektor, matriks, array, faktor, time series, dataframe
dan daftar.
Tutorial ini akan fokus pada dataframe karena merupakan struktur yang paling umum
digunakan untuk analisis statistik.
Data frame objek dua dimensi dan dapat berisi beberapa mode dalam satu objek. Mereka
termasuk nama variabel dan informasi mengenai variabel (jika, misalnya, mereka numerik
atau kategorikal). Data frame dapat berisi nilai hilang dikodekan sebagai NA, namun
sebagian besar analisis statistik akan meminta Anda untuk menghapus nilai-nilai yang
hilang. frame data dapat dibuat dengan data.frame () fungsi dari matriks atau daftar atau
diimpor langsung ke R dari file data eksternal.

> mydata <- read.table(C:/user/temp/AfricaData.txt, header=TRUE, sep=,)

Membaca data files dalam R

Fungsi read.table() digunakan untuk
mengimpor file data eksternal menjadi R
dan menciptakan bingkai data untuk
analisis statistik.
Jadi untuk membaca dataset ke R, kita
gunakan perintah berikut:
> mydata <read.table(C:/Users/FST/Documents/
AfricaData.txt, header=TRUE, sep=,)

Menampilkan Data
Untuk menampilkan data tsg digunakan perintah:
>mydata
Hasilnya adalah:

Dataset mydata berisi data 117 negara dan 8 variabel.

Variabel country adalah variabel karakter sementara sisanya adalah
variabel numerik.
Variabel country merupakan daftar nama 117 negara untuk setiap
pengamatan;
Variabel growth menunjukkan pertumbuhan ekonomi 1970-1990;
Variabel govspend adalah ukuran dari pengeluaran pemerintah;
Variabel invest menunjukkan investasi 1970-1989;
colony adalah variabel dummy menunjukkan apakah negara tersebut
merupakan bekas koloni;
openmarket menyatakan apalah negara memiliki ekonomi pasar terbuka
antara tahun 1965 dan 1990 ; dan
Institutions adalah ukuran kualitas lembaga.
Perhatikan bahwa ada nilai-nilai yang hilang beberapa, berlabel NA.

Fungsi class() akan menunjukkan tipe data

Fungsi summary() menunjukkan statistik deskriptif masing-masing variable :

> class(mydata)
[1] "data.frame"

Memanipulasi data dalam R

Sebagian besar analisis statistik dalam R tidak dapat dilaksanakan dengan

nilai-nilai yang hilang.
Untuk membuat dataset tanpa nilai-nilai yang hilang, meminta R untuk
menghilangkan semua nilai berlabel NA:
> mydata <- na.omit (mydata)

Terlihat bahwa data yang tdk lengkap sudak tidak ditampilkan lagi
(misal nomor 14, 15, 16 dan 18).

Untuk menampilkan variabel tertentu (misal country) dari dataset, ketikkan:

mydata$country atau mydata[,country]
> mydata$country

[1] ALGERIA
ARGENTINA
AUSTRALIA
AUSTRIA
BANGLADESH BELGIUM
BOLIVIA
BRAZIL
BURKINA FASO
[10] CAMEROON
CANADA
CHILE
COLOMBIA
CONGO
COSTA RICA DENMARK
DOMINICAN REP. ECUADOR
[19] EGYPT
EL SALVADOR FINLAND
FRANCE
GABON
GERMANY, WEST GHANA
GREECE
GUATEMALA
[28] GUYANA
HONDURAS
INDIA
INDONESIA
IRELAND
ISRAEL
ITALY
IVORY COAST JAMAICA
[37] JAPAN
JORDAN
KENYA
KOREA, REP. LUXEMBOURG MADAGASCAR MALAWI
MALAYSIA
MEXICO
[46] MOROCCO
NETHERLANDS NEW ZEALAND NICARAGUA
NIGERIA
NORWAY
PAKISTAN
PAPUA N.GUINEA PARAGUAY
[55] PERU
PHILIPPINES PORTUGAL
SINGAPORE
SPAIN
SRI LANKA
SWEDEN
SWITZERLAND SYRIA
[64] TAIWAN
THAILAND
TOGO
TRINIDAD&TOBAGO TUNISIA
TURKEY
U.K.
U.S.A.
UGANDA
[73] URUGUAY
VENEZUELA
ZAMBIA
117 Levels: ALGERIA ARGENTINA AUSTRALIA AUSTRIA BANGLADESH BELGIUM BENIN BOLIVIA BRAZIL BURKINA FASO BURUNDI CAMEROON CANADA ...
ZIMBABWE

>

 Kita dapat merujuk variabel dengan nama saja setelah menggunakan fungsi attach
Fungsi detach() akan membatalkan attach().
> attach(mydata)
> country
[1] ALGERIA ARGENTINA AUSTRALIA AUSTRIA BANGLADESH BELGIUM [7] BENIN
BOLIVIA BRAZIL BURKINA FASO BURUNDI CAMEROON [13] CANADA CAPE
VERDE IS. CENTRAL AFR.R. CHAD CHILE CHINA
(dst.)
Fungsi names() akan menampilkan daftar nama-nama variabel:
> names(mydata)
[1] "country" "growth" "govspend" "invest" "colony" "openmarket" [8] "institutions"
Untuk mengganti nama variabel atau membuat/memberi nama variabel baru (jika
data tdk memuat nama variabel), gunakan syntax:
> names(mydata) <- c("Country", "Growth", "Gov.Spend", "Invest", "Colony",
"Open.Market", "Institutions")

Recoding variabel

Misalnya anda ingin membuat variabel dummy yang berkode 1 jika

pengamatan memenuhi kriteria tertentu dan 0 sebaliknya.
Misalnya, Anda ingin membuat variabel boneka berdasarkan variabel
Open.Market, yang merupakan fraksi tahun (1965-1990) di mana negara
dinilai sebagai pasar terbuka.
Open.Market.Dummy sama dengan 1 saat Open.Market lebih besar dari
0,5 dan sama dengan 0 bila Open.Market kurang dari 0,5. Ingat bahwa
dengan menggunakan notasi mydata $, Anda membuat variabel baru dalam
dataset mydata yang ada.
> Mydata $ Open.Market.Dummy <- as.numeric (Open.Market> 0,5)

Misalkan sekarang bahwa Anda ingin membuat variabel baru, Open.Market.Cat, yang
memiliki tiga kategori: 1 ketika Open.Market kurang dari 0,33, 2 ketika Open.Market
adalah antara 0,33 dan 0,66 dan 3 ketika Open.Market lebih besar dari 0,66:
> Mydata $ Open.Market.Cat [Open.Market <0,33] <- 1
> Mydata $ Open.Market.Cat [Open.Market> = 0,33 & Open.Market <=
0,66] <- 2
> Mydata $ Open.Market.Cat [Open.Market> 0,66] <-3
Selain menciptakan variabel baru, Anda juga mungkin ingin menghapus variabel yang
ada dari data yang Anda set. Untuk melakukannya, menetapkan bahwa variabel nilai
NULL:
> Mydata $ Open.Market.Dummy <- NULL
Meskipun R bukan merupakan lingkungan yang ideal untuk memasuki dan pengkodean
data secara manual, Anda dapat mengubah nilai sel data spesifik dengan menetapkan
nomor kolom dan baris. Sebagai contoh, perhatikan bahwa Australia tidak dikodekan
sebagai sebuah bekas koloni (Colony memiliki nilai 0). Untuk mengubah ini, tentukan
jumlah kolom dan baris dari pengamatan yang ingin Anda ubah. Australia adalah negara
ketiga di dataset, dan Colony adalah variabel kelima. Kemudian menetapkan bahwa
sebuah sel nilai 1:
> Mydata [3,5] <- 1

Menyimpan data
Untuk menyimpan data Anda sebagai file teks, gunakan perintah
write.table (). Tentukan nama objek data yang ingin Anda ekspor
(dalam hal ini, mydata), direktori di mana Anda ingin menyimpan file
dan metode pemisahan.
> write.table(mydata,
file=C:/Users/FST/Documents/AfricaData1.txt,
sep = ,)

Analisis Data Deskriptif

Tabel Frekuensi

Untuk menghasilkan tabel frekuensi, gunakan fungsi table ().

Perintah table (), margin.table () dan prop.table () digunakan untuk membuat
membuat tabel frekuensi, tabel frekuensi marjinal dan tabel proporsi,
masing-masing untuk variabel Colony (row) dan Open.Market.Cat (kolom ).
Fungsi Ftabel () menampilkan hasil yang lebih lengkap. Teks setelah tanda
nomor # diperlakukan sebagai sebuah komentar, dan R tidak akan
mencoba untuk menjalankannya....
> attach(mydata)
> table1 <- table(Colony, Open.Market.Cat)
> ftable(table1)
> table2 <- margin.table(table1, 1) #Frequencies summed over Open.Market.Cat
> table3 <- margin.table(table1, 2) #Frequencies summed over Colony
> table4 <- prop.table(table1)
> ftable(table4)

 Untuk tabel 2x2, dapat digunakan fungsi chisq.test() untuk menguji

independensi variabel-variabel baris dan kolom:
> chisq.test(table1)
Pearson's Chi-squared test data: table1 X-squared = 11.7733, df = 2,
p-value = 0.002776

Statistik Deskriptif
Selain dengan fungsi summary () seperti di atas, statistik deskriptif untuk variabel
individudapat diperoleh, menggunakan fungsi-fungsi berikut:
mean (), median (), max (), min (), range (), var (), sd (), kuantil (), fivenum (), panjang (),
which.max (), which.min ().
Misalnya, untuk memperoleh rentang dan deviasi standar dari variabel Gov.Spend,
ketik:
> range (Gov.Spend)
[1] 0,0057 0,3280
> sd (Gov.Spend)
[1] ,06049456

Untuk statistik deskriptif bivariat, menggunakan fungsi cor () dan cov (). Contoh: untuk
menemukan hubungan antara variabel Growth dan Invest, ketik:
> cor (growth, Invest)
[1] 0,4751891

Untuk menemukan matriks korelasi dan kovarians dari mydata, pilih semua variabel
tetapi Country (karena merupakan karakter string) dengan meminta R untuk
memasukkan pengamatan hanya dari kolom kedua sampai kedelapan:
> cor (mydata [, 2:08])
> cov (mydata [, 2:08])

Visualisasi data

Untuk membuat scatterplot dari dua variabel, misalnya, Invest dan Institutions,
gunakan sintaks berikut:
> plot (Institutions, Invest, xlab = Quality of Institutions",
ylab = "Share of Invesment", utama = "Investment by Quality of Institutions", col ="
blue ")
> abline (lm (Invest ~ Institutions), col = "red")
Kode tsb menghasilkan scatter plot di bawah ini. Argumen utama, xlab dan ylab
menentukan judul plot dan label sumbu x dan y, masing-masing. Perubahan pelana
argumen warna poin dari default, hitam. Selain itu Anda dapat menambahkan baris
ke diagram pencarnya dengan menentukan kemiringan dan titik potong garis dengan
fungsi lm()

HISTOGRAM

Anda juga mungkin ingin untuk memvisualisasikan data Anda menggunakan

histogram. Fungsi berikut menghasilkan histogram dari variabel
Institutions :
> hist(Institutions, col = gray", xlim = c (0,10), ylim = c (0,18),
xlab = " Quality of Institutions", ylab = " Number of Countries",
main = " Quality of Institutions")
Argumen col ini mengisi batang dengan warna abu-abu; argumen xlim dan
ylim mengatur kisar an sumbu x dan y; argumen xlab dan ylab memberi
label sumbu x-dan y, dan argumen main merupakan judul utama plot.

Data Analysis

Uji t untuk dua sampel

Untuk menggambarkan prosedur uji t untuk dua sampel-di R, misalkan anda tertarik
untuk mengetahui apakah negara-negara bekas koloni dan negara-negara tanpa
masa lalu kolonial berbeda dalam kualitas institusi mereka.
Dari data ini kita dapat membandingkan variabel Institutions berdasarkan variabel
Colony.
Untuk melakukan uji t dengan R digunakan fungsi t.test (). t. Dalam fungsi test ()
memerlukan spesifikasi dari variabel yang dibandingkan (dalam hal ini, Lembaga)
dan variabel kelompok/gruop (yakni variabel Colony). Pernyataan alternatif
menentukan jenis pengujian: dua sisi (two.sided), atau satu sisi . Argumen var.equal
dapat diatur untuk memperlakukan varians yang setara, jika TRUE, perkiraan varians
pooled digunakan, dan jika FALSE, pendekatan Welch ke derajat kebebasan
digunakan.

> t.test (Institutions ~ Colony, alternative= "two.sided",

var.equal = TRUE, conf.level = 0,95)

Two Sample t-test

data: Institutions by Colony
t = 3.7596, df = 73, p-value = 0.0003405
alternative hypothesis: difference in means not equal to 0
95 percent confidence interval:
0.914618 2.978317
mean in group 0 mean in group 1
6.889169
4.942702
p-value kurang dari a=05, sehingga kita menolak hipotesis nol bahwa tidak ada
perbedaan dalam kualitas institusi antara negara koloni dan bukan negara koloni.
Jasdi, negara koloni dan negara-negara tanpa masa lalu kolonial memiliki kualitas
mean variabel Institutions berbeda.
Dengan uji t menggunakan argumen alternatif lebih besar, kita dapat menyimpulkan
bahwa negara-negara tanpa sejarah kolonial memiliki kualitas Institusi yang lebih
tinggi dari bekas koloni.

One sample t-tes dengan mudah diimplementasikan dalam R dengan mengabaikan

variabel kelompok dalam fungsi t.test (). Uji t berpasangan juga dimungkinkan
dengan fungsi t.test () dengan menetapkan argumen Paired = TRUE.

Regresi linear sederhana

Misal, kita ingin menerapkan model OLS berikut dalam R:
Invest = 0 + 1 (Institutions) + 2 (Open.Market)
Sintaks untuk model di atas adalah sebagai berikut:
> results1 <- lm (Invest ~Institutions+ Open.Market, data = mydata)
Fungsi lm () digunakan untuk melakukan pencocokan (fit) model linier dalam R. Fungsi
ini menspesifikasi rumus model: Invest ~ Institutions + Open.Market. Selain itu,
ditetapkan bahwa data yang akan digunakan adalah mydata. Dengan menyimpan hasil
di objek results1 akan memungkinkan kita untuk memanggil beberapa fungsi informasi
yang berguna tentang hasil model.
Fungsi summary() memberikan residual model, estimasi untuk koefisien model,
kesalahan standar, statistik t dan-p nilai-nilai, serta model statistik (F-statistik, R-kuadrat,
dll).
Fungsi yang berguna lainnya adalah coef(), resid() dan fitted(), yang masing-masing
menghasilkan koefisien model, kesalahan residu terhadap variabel dependen dan
prediksi nilai dari variabel dependen. Berikut adalah contoh penggunaannya:

Selain fitting model orde pertama untuk variabel Institutions dan Open.Market,
kita dapat memasukkan faktor interaksi antara variabel Institutions dan
Open.Market, termasuk faktor polinomial (misalnya, Institutions ^ 2) atau
mengecualikan intersep dari model . Masing-masing model ini dijelaskan dalam
Tabel berikut:


Selanjutnya kita harus mengevaluasi hasil model dengan memeriksa
kesalahan sisa dan data pencilan yang signifikan. Salah satu cara untuk
melakukannya adalah dengan menggunakan fungsi plot () :
> layout (matrix (1:4, 2, 2))
> plot (results1)

fungsi layout() akan memformat windows untuk fungsi plot berikutnya.

Dalam kasus ini, kita membuat windows 2x2 dengan empat slot.
Selanjutnya, fungsi plot () menghasilkan empat plot untuk model pertama
kami cocok, yang hasilnya disimpan dalam obyek results1.
Slot kiri atas grafik kesalahan sisa terhadap nilai-nilai terpasang (fitted), slot
kiri bawah adalah plot QQ, slot kanan atas grafik akar kuadrat dari residual
standar terhadap nilai-nilai terpasang, dan slot kanan bawah grafik tersebut
leverage pengamatan masing-masing, dengan jarak Cook ditumpangkan
pada plot. R memproduksi label untuk plot dan sumbu secara otomatis.

One-way ANOVA
Analisis varians (ANOVA) mudah diterapkan di R. Kembali ke contoh pada
pelaksanaan t-test, misalkan kita ingin membandingkan nilai rata-rata kualitas
institusi untuk bekas koloni dan negara-negara tanpa sejarah kolonial dengan analisis
varians satu arah.
Kita dapat mulai analisis dengan boxplot dalam rangka untuk membandingkan
distribusi kualitas lembaga untuk koloni dan tidak. Gunakan fungsi boxplot () dan
tentukan variabel Institutions sebagai variabel numerik dan variabel Colony sebagai
faktor. Perintahnya adalah;
>boxplot(split(Institutions, Colony), xlab="Colony", ylab="Quality of Institutions",
main="Quality of Institutions by Colony", col="gray")

Untuk pengujian ANOVA, gunakan fungsi aov(), tentukan rumus model dan dataset
yang akan digunakan serta nama penyimpanan hasilnya dalam R object ( misal.
Results5). Selanjutnya gunakan fungsi summary() untuk melihat hasilnya.
> results5 <- aov(Institutions~Colony, data=mydata)
> summary(results5)

Selanjutnya kita dapat menguji hasilnya secara visual, dengan menggunakan

fungsi layout() dan plot() seperti di atas.
Untuk anova multivariat, (MANOVA), digunakan fungsi manova().

R Output
Working with output
Selain dengan menyalin output R dan paste ke file teks, fungsi wastafel ()
memungkinkan kita untuk mengirim output R langsung ke file teks eksternal.

Baris pertama dari kode di bawah ini menetapkan direktori dan file di mana output
akan disimpan, jika argumen split adalah TRUE, output akan dikirim ke file eksternal
maupun ditampilkan di R konsol (split set ke FALSE jika kita lebih suka output Anda
tidak akan ditampilkan di konsol).
Baris kedua adalah analisis statistik yang dilakukan. Kita dapat menjalankan
beberapa analisis, yang semuanya akan dikirim ke file output.txt.
Akhirnya, fungsi sink() memotong proses, dan analisis berikutnya tidak dikirim ke file
output.txt.
> sink("C:/user/temp/output.txt", split=T)
> lm(Invest~Institutions+Gov.Spend+Growth+Open.Market)
> sink()

Bekerja dengan grafik

Untuk mengexport grafik R ke file external, gunakan fungsi jpeg(), yang akan
menentukan direktori dan file (extension .jpg) mana grafik R akan disimpan.
Perintah berikut meminta R membuat plot. Selanjutnya fungsi dev.off() akan
mematikan fungsi jpeg() sehingga tidak disimpan sebagai file external .jpeg:

> jpeg("C:/Users/FST/Documets/histogram.jpg")
> layout(matrix(1:4, 2, 2))
> plot(results1)
> dev.off()

SPLUS
S-PLUS dirancang oleh AT&T Bell Labs dengan menggunakan
bahasa S yang merupakan object-oriented language.
S-PLUS dapat menangani data, functions, dan fitted models
sebagai objects, sehinga membuat analisis data menjadi lebih
fleksibel. Dengan fleksibilitas dari S-PLUS kita dapat mencocokkan
model dengan metode klasik atau modern.

Kemampuan SPlus
Beberapa kemampuan S-PLUS:
Statistical Inference: One and Two Sample Problems
Statistical Inference for Counts and Proportions
Cross-Classified Data and Contingency Tables
Regression and Smoothing
Generalized Linear Model
Local Regression Model
Classification and Regression Trees
Univariate and Multivariate ANOVA
Principal Components Analysis
Factor Analysis
Cluster Analysis
Time Series Analysis
Survival Analysis
Quality Control Charts
Mathematical Computing

Tampilan SPLUS

SPLUS 2000

SPLUS 2000 direlease oleh AT&T Bell Labs pada tahun 1999 dalam 2 versi:S-PLUS 2000
Professional dan S-PLUS 2000 Standard

Edition.

Persamaan: SPLUS 2000 Standard Edition dan keduanya sudah berbasis graphical user

Interface

Perbedaan: S-PLUS 2000 Professional memiliki Commands atau Script windows, Commands
History dan access to libraries and modules sedang SPLUS 2000 Standard Edition Tidak
memiliki.

S-PLUS 2000 memiliki jenis-jenis plot yang lengkap, compatible dengan Microsoft Officeuserinterface sehingga memberikan banyak kemudahan dalam manipulasi data, grafik dan
statistik.

Dengan S-PLUS 2000 Professional kita dapat memprogram dengan S-PLUS programming
language berbasis bahasa S yang dikembangkan Lucent Technologies. Dengan demikian kita
dapat membuat functions sesuai kehendak kita (fleksibel).

Contoh Penggunaan SPLUS 2000

Analisis Regresi
Beberapa teknik analisis
regresi yang tersedia
dalam
SPlus 2000
adalah:
Nonlinear
regression
Linear
regression
Robust MM regression
Robust LTS
regression
Stepwise linear
regression
Generalized additive
model
Local (loess) regression

Generalized linear
models
Log-linear (Poisson)
regression
Logistic regression
Probit regression

LINEAR REGRESSION
Digunakan untuk menerangkan pengaruh
variabel kontinu atau kategori terhadap
respons kontinu.
Langkah-langkah:
1. Buka Menu utama dan pilih
StatisticsRegression>Linear, maka
akan muncuk dialog box:

2. Masukkan/ketikkan nama data file pada menu Data Set (misal exair)
3. Masukkan/Pilih variabel bebas (misal ozone) dan variabel tak bebas (misal
temperature) pada menu variables dependen dan Independennya atau
tuliskan hubungan antar variabel pada menu Formula (misal
ozone~temperature):

4. Klik OK, maka akan muncul hasil analisis

regresi liniernya:

Untuk menampilkan plot data dan estimasi garis regresi linear, kita
dapat memilih menu Plot pada dialog Linear Regression dan
centang ke-7 plot diagnostiknya, kemudian tekan OK:

Maka akan muncul 7 jenis diagnostik plot:

Residuals vs. Fitted

Sqrt. Abs.Residuals vs. Fitted

Response vs. Fitted

Residual Normal QQ

Residuals Fit Spread

Cooks Distance

Partial Residuals

Contoh lain
Analisis regresi yang lain, seperti:
Robust MM regression
Robust LTS regression
Stepwise linear regression
Generalized additive model
Local (loess) regression, dll,
Dapat dilakukan secara sama dengan memilih
teknik yang sesuai pada option Regression.
Misal:
Statistics Regression>Robust MM