Anda di halaman 1dari 20

Bab 1

Pengenalan Dasar Dari R


1.1

Pendahuluan

Software R adalah suatu sistem untuk melakukan analisis statistik dan grafik
yang pertama kali dibuat oleh Ross Ihaka dan Robert Gentleman dari Statistics Department of the University of Auckland, New Zealand, pada tahun 1992.
R merupakan suatu software sekaligus bahasa pemrograman, dan merupakan
salah satu ?dialek? dari bahasa S. Secara umum, sintaks dari bahasa R adalah ekuivalen dengan paket statistik Splus, sehingga sebagian besar keperluan
analisis statistika, dan pemrograman dengan R adalah hampir identik dengan
perintah yang dikenal di Splus.
R sampai saat ini merupakan hasil kolaborasi seluruh kontributor yang berasal dari seluruh dunia, karena sifatnya yang open source open source dan gratis.
R diasuh dan dikembangkan oleh komunitas pengembang/developer. R bersifat
multiplatform, tersedia dalam berbagai versi OS Windows, Unix, dan Mac OS.
R sangat berguna dari masalah yang sederhana hingga paling kompleks,
serta bisa digunakan dalam pekerjaan analisa data.

1.1.1

Instalasi R

Untuk menginstal R pertama kali, diperlukan file instalasi binary sebagai base
distribution yang bisa diunduh pada alamat berikut:
http://cran.r-project.org/bin/windows/base/
Untuk sistem operasi Windows maka pilihlah file instalasi binary versi R untuk
Windows, yaitu R-3.1.3-win.exe.

1.1.2

R Session

Sebuah R session terdiri dari langkah memulai R, menggunakan R untuk bekerja/analisa dan kemudian penutupan R (gunakan fungsi q()). Dalam penggunaan R kita akan banyak menggunakan fungsi-fungsi yang terdapat di R. Fungsi
(function) adalah sebuah program kecil yang dapat dijalankan untuk tujuan
tertentu.
5

BAB 1. PENGENALAN DASAR DARI R

1.1.3

RStudio

RStudio merupakan suatu Integrated Development Environment (IDE) untuk R.


Sebagaimana R, RStudio juga bersifat gratis dan open sorce. RStudio tersedia
dalam dua edisi, yaitu: RStudio Desktop dan RStudio Server.
RStudio Desktop berjalan secara lokal di komputer, sebagaimana aplikasi
desktop biasa lainnya. Sedangkan RStudio Server berjalan pada remote Linux
server dan bisa diakses dan dijalankan oleh komputer lainnya melalui jaringan.
Distribusi prepackaged RStudio tersedia untuk sistem operasi Microsoft Windows, Mac OS X, dan Linux. RStudio bisa diunduh di website berikut:
https://www.rstudio.com/products/RStudio/
Sebagai suatu IDE, tampilan RStudio tentu relatif lebih user friendly, seperti terlihat pada gambar berikut.

Gambar 1.1: Tampilan RStudio

1.2
1.2.1

Dasar-dasar R
R sebagai Calculator

Fungsi paling sederhana dari R adalah sebagai kalkulator. Silahkan input kode
berikut ini ke dalam R Console
>

5 - 1 + 10 # add and subtract

[1] 14
>

7 * 10 / 2 # multiply and divide

[1] 35
>

pi # the constant pi

[1] 3.141593
>

sqrt(2) # square root

1.2. DASAR-DASAR R

[1] 1.414214
>

exp(1) # e to the power of 1

[1] 2.718282

1.2.2

Assignments

Dalam R kita dapat memasukkan satu atau lebih nilai kepada sebuah object
(ingat R adalah Object Oriented Programming). Berikut contoh untuk memberikan sebuah nilai kepada sebuah objek:
>
>

x <- 5 # The object (variable) x holds the value 5


x # print x

[1] 5
>
>

6 -> x # x now holds the value 6


x

[1] 6
>

(x <- pi) # assign the constant pi and print x

[1] 3.141593
>

1.2.3

Menjalankan Fungsi di R

R memiliki berbagai fungsi dan kita dapat mengeksekusi fungsi tersebut dengan
memasukkan nama fungsi tersebut dengan diikuti oleh kurung buka/tutup.
> print(x) # print() is a function. It prints its argument, x
[1] 3.141593
>

ls() # lists the objects in memory

[1] "x"
>
>

rm(x) # remove x from memory

Perhatikan bahwa R memiliki banyak sekali fungsi. Sehingga ketika kita


hendak membuat sebuah objek (misalkan x pada contoh sebelumnya) maka
hindari nama object yang sama denga nama fungsi yang telah ada. Misalkan
R memiliki fungsi c() maka jangan gunakan nama objek c. Untuk mengetahui
apakah fungsi dengan nama objek yang diinginkan telah ada cukup masukan
nama objek dan kemudian enter. Contoh:
> t
function (x)
UseMethod("t")
<bytecode: 0x0000000007cb6c78>
<environment: namespace:base>
Dalam hal ini t adalah sebuah fungsi untuk mendapatkan transpose dari
sebuah matriks, sehingga jangan membuat object dengan nama t.

BAB 1. PENGENALAN DASAR DARI R

1.2.4

Fungsi-fungsi Sederhana

Terdapat banyak sekali fungsi dalam R, sehingga tidak memungkinkan dimuat


disini semua. Namun yang utama adalah kita mengenal fungsi dasar matematika
(log, exp,log10, log2, sin, cos, tan, asin, acos, atan, abs, sqrt, . . . ), dan fungsifungsi khusus statistik (rnorm, gamma, digamma, beta, besselI, . . . ).
Selain itu terdapat pula fungsi-fungsi sederhana lainnya, berikut ini adalah
beberapa di antaranya.
sum(x)

sum of the elements of x

prod(x)

product of the elements of x

max(x)

maximum of the elements of x

min(x)

minimum of the elements of x

which.max(x)

returns the index of the greatest element of x

which.min(x)

returns the index of the smallest element of x

range(x)

id. than c(min(x), max(x))

length(x)

number of elements in x

mean(x)

mean of the elements of x

median(x)

median of the elements of x

var(x) atau cov(x)

variance of the elements of x (calculated on n-1);


if x is a matrix or a data frame, the variancecovariance matrix is calculated

cor(x)

correlation matrix of x if it is a matrix or a data


frame (1 if x is a vector)

1.3
1.3.1

Objek
Tipe Objek di dalam R

R bekerja dengan objek, semua entitas R termasuk fungsi dan struktur data merupakan objek dalam R. Objek-objek tersebut mempunyai karakteristik nama,
konten, serta atribut yang menspesifikasikan tipe data yang direpresentasikan
oleh objek tersebut.
Semua objek dalam R memiliki dua atribut intrinsik, yaitu mode dan length.
Mode menunjukkan tipe dasar dari elemen-elemen objek dan length menunjukkan banyaknya elemen yang ada dalam objek.
Berikut ini adalah tabel yang menyajikan overview untuk tipe-tipe objek
yang merepresentasikan data:

1.3. OBJEK

9
Tabel 1.1: Overview Objek dalam R

Objek

Mode

vector

numeric, character, complex atau


logical
numeric atau character
numeric, character, complex atau
logical
numeric, character, complex atau
logical
numeric, character, complex
atau logical
numeric, character, complex atau
logical
numeric, character, complex, logical,
function, expression

factor
array
matrix
data frame
time series
list

1.3.2

Apakah satu objek


bisa memiliki >1 mode
Tidak
Tidak
Tidak
Tidak
Ya
Tidak
Ya

Operator Aritmatika dan Logika

Operator Aritmatika dalam R menggunakan operator berikut : +, -,* , /


dan .
Sedangkan untuk operator logika, R menggunakan & dan | untuk merepresentasikan and dan or. Selain itu untuk membandingkan nilai kita dapat
menggunakan tanda >, >=, <, <=, == (sama dengan) dan ! = (tidak sama
dengan).
Contoh:
> x <- 1 : 3
> x^2
[1] 1 4 9
>

5 == 4 & 5 == 5

[1] FALSE
>

5 != 4 & 5 == 5

[1] TRUE
> 5 > 6
[1] FALSE
> 5 == 3+2
[1] TRUE
>

10

BAB 1. PENGENALAN DASAR DARI R

1.3.3

Vektor

Vektor merupakan suatu himpunan elemen (bilangan, character atau string,


logical value) satu dimensi dan merupakan representasi dari satu variabel.
Membuat Vektor
Berikut ini adalah beberapa contoh untuk membuat objek vektor:
> ## vector ##
>
> v <- 1 : 10 # membuat vektor v dengan elemen 1 s/d 10
> v
[1]

9 10

> v <- c(1, 5, 3) # (fungsi c() menggabungkan elemen-elemen menjadi


>
# vektor)
> v
[1] 1 5 3
> vc1 <- c(2,5,5,3,3,6,2,3,5,6)
> vc2 <- seq(from=1, to=100, by=10) # membuat vektor dengan interval
> vc1
[1] 2 5 5 3 3 6 2 3 5 6
> vc2
[1]

1 11 21 31 41 51 61 71 81 91

>
Selain itu, kita juga bisa membuat objek menggunakan fungsi assign. Sehingga untuk membuat objek dengan tipe vektor adalah sebagai berikut:
> assign ("vc3",seq(from=1, to=100, by=10))
> vc3
[1]

1 11 21 31 41 51 61 71 81 91

Vektor juga bisa berisi data logikal (true false) ataupun berisi karakter
(string). Seperti pada contoh berikut:
> logical_vector <- c(T, TRUE, F, FALSE)
> logical_vector
[1]

TRUE

#membuat vektor logikal

TRUE FALSE FALSE

> s <- c("Malang",'Jawa Timur')


> s
[1] "Malang"

"Jawa Timur"

> paste(s[1], s[2], sep =", ")


[1] "Malang, Jawa Timur"
Pada tipe objek vektor berlaku mode tunggal, sehingga jika dua data atau
lebih yang memiliki mode yang berbeda maka R akan mengubah data ke mode
yang lebih umum.

1.3. OBJEK

11

Operasi pada Vektor


length dan sum
Fungsi length digunakan untuk mengetahui panjang suatu vektor atau dengan kata lain banyaknya elemen dalam suatu vektor. Sedangkan sum digunakan untuk menjumlahkan elemen-elemen di dalam suatu vektor.
> length(vc2)
[1] 10
> sum (v)
[1] 9
Operasi Aritmatika
Berikut ini contoh-contoh operasi aritmatika pada vektor menggunakan R :
> x <- 100 : 110
> x
[1] 100 101 102 103 104 105 106 107 108 109 110
> x * 2
[1] 200 202 204 206 208 210 212 214 216 218 220
> x / 2
[1] 50.0 50.5 51.0 51.5 52.0 52.5 53.0 53.5 54.0 54.5 55.0
> x - 1
[1]

99 100 101 102 103 104 105 106 107 108 109

> x <- seq(2, 10, by = 2)


> x
[1]

8 10

> y <- 1 : 5
> y
[1] 1 2 3 4 5
> x / y
[1] 2 2 2 2 2
> vc1*vc2
[1]

55 105

> vc1 %*% vc2


[,1]
[1,] 1970

93 123 306 122 213 405 546

12

BAB 1. PENGENALAN DASAR DARI R

Subset dan indeks Vektor


Dari suatu vektor, kita bisa mengekstrak elemen-elemen vektor tersebut menjadi
suatu subset. Indeks vektor menunjukkan posisi elemen di dalam vektor.
> x <- 15 : 30
> x
[1] 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
> ## Extract 2nd and 5th element of the vector: #
>
> c(x[2], x[5])
[1] 16 19
> # or we can use this code:
>
> x[c(2, 5)]
[1] 16 19

1.3.4

Faktor

Faktor merupakan representasi dari variabel kategorik. Dalam suatu factor tidak
hanya mengandung nilai yang terkait variabel kategorinya, tapi juga kemungkinan setiap level yang ada dalam variabel tersebut, meskipun level tersebut
tidak muncul dalam data.
Untuk membuat suatu factor digunakan fungsi factor berikut:
factor(x, levels = sort(unique(x), na.last = TRUE),
labels = levels, exclude = NA, ordered = is.ordered(x))
Contoh:
> factor(1:3)
[1] 1 2 3
Levels: 1 2 3
> factor(1:3, levels=1:5)
[1] 1 2 3
Levels: 1 2 3 4 5
> factor(1:3, labels=c("A", "B", "C"))
[1] A B C
Levels: A B C
> type <- rep(c("High","Medium","Low"),times=10)
> type <-factor(type)
> type

1.3. OBJEK

13

[1] High
Medium Low
High
Medium Low
High
Medium Low
High
[11] Medium Low
High
Medium Low
High
Medium Low
High
Medium
[21] Low
High
Medium Low
High
Medium Low
High
Medium Low
Levels: High Low Medium
> grade <- rep(c("Grade1","Grade2","Grade3", "Grade4"),each=5)
> grade <-factor(grade)
> grade
[1] Grade1 Grade1 Grade1 Grade1 Grade1 Grade2 Grade2 Grade2 Grade2 Grade2
[11] Grade3 Grade3 Grade3 Grade3 Grade3 Grade4 Grade4 Grade4 Grade4 Grade4
Levels: Grade1 Grade2 Grade3 Grade4

1.3.5

Matriks

Suatu tabel yang tersusun dari beberapa vektor dengan k dimensi disebut sebagai suatu array. Sedangkan matriks adalah kasus khusus dari array dimana
banyaknya dimensi atau k = 2 (array 2 dimensi). Untuk membuat suatu matriks
digunakan fungsi matriks berikut:
matrix(data = NA, nrow = 1, ncol = 1, byrow = FALSE,
dimnames = NULL) Contoh:
> mat <- matrix(c(2,3,1,5,4,5,6,7,2,3,1,5,4,5,6,7),nrow=4,ncol=4)
> mat

[1,]
[2,]
[3,]
[4,]

[,1] [,2] [,3] [,4]


2
4
2
4
3
5
3
5
1
6
1
6
5
7
5
7

> mat2 <- matrix(1:20,nrow=4,ncol=5)


> mat2

[1,]
[2,]
[3,]
[4,]

[,1] [,2] [,3] [,4] [,5]


1
5
9
13
17
2
6
10
14
18
3
7
11
15
19
4
8
12
16
20

> dim(mat2)
[1] 4 5
Operasi Matriks
Terdapat beberapa operator yang biasa digunakan untuk operasi matriks (dan
vektor), antara lain perkalian, invers matriks, transpose matriks dan crossproduct. Berikut ini adalah ringkasan dari operator-operator tersebut:

14

BAB 1. PENGENALAN DASAR DARI R


Operator
*
%*%
%o%
solve
t
crossprod

Keterangan
perkalian skalar
perkalian matriks (dot product)
outer
inverse matriks
transpose
cross product suatu matriks yaitu t(x) %*% x

Berikut ini beberapa contoh operasi matriks:


Binding
Kita bisa menggabungkan (binding) suatu matriks ke dalam matriks lain
dengan menggunakan fungsi cbind dan rbind
Sebagai contoh kita lakukan binding matriks mat ke matriks mat2 menggunakan cbind dan matriks vc1 ke matriks mat2 menggunakan rbind sebagai
berikut:
> ## coloumn binding##
> cbind(mat2,mat)

[1,]
[2,]
[3,]
[4,]

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]


1
5
9
13
17
2
4
2
4
2
6
10
14
18
3
5
3
5
3
7
11
15
19
1
6
1
6
4
8
12
16
20
5
7
5
7

> ## row binding ##


> rbind(mat2,vc1[1:5])

[1,]
[2,]
[3,]
[4,]
[5,]

[,1] [,2] [,3] [,4] [,5]


1
5
9
13
17
2
6
10
14
18
3
7
11
15
19
4
8
12
16
20
2
5
5
3
3

Perkalian Skalar
> A <- matrix(c(1,3,2,4,8,7),ncol=3)
> A

[1,]
[2,]

[,1] [,2] [,3]


1
2
8
3
4
7

> 8*A

[1,]
[2,]

[,1] [,2] [,3]


8
16
64
24
32
56

1.3. OBJEK
Transpose
Transpose matriks dalam R menggunakan fungsi t(nama-matriks).
> t(mat2)
[1,]
[2,]
[3,]
[4,]
[5,]

[,1] [,2] [,3] [,4]


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Matriks Diagonal
> diag(c(1,4,7,9))
[1,]
[2,]
[3,]
[4,]

[,1] [,2] [,3] [,4]


1
0
0
0
0
4
0
0
0
0
7
0
0
0
0
9

> diag(mat)
[1] 2 5 1 7
Penjumlahan Matriks
> A
[1,]
[2,]

[,1] [,2] [,3]


1
2
8
3
4
7

> B <- matrix(c(5,8,3,4,2,7),ncol=3,byrow=T)


> A+B
[1,]
[2,]

[,1] [,2] [,3]


6
10
11
7
6
14

> rowMeans(A)
[1] 3.666667 4.666667
> colMeans(A)
[1] 2.0 3.0 7.5
Perkalian Matriks(Dot Product)
> A1 <- matrix(c(1,3,2,2,8,9),ncol=2)
> B1 <- matrix(c(5,8,4,2), ncol=2)
> A1

15

16

BAB 1. PENGENALAN DASAR DARI R

[1,]
[2,]
[3,]

[,1] [,2]
1
2
3
8
2
9

> B1

[1,]
[2,]
>

[,1] [,2]
5
4
8
2

A1 %*% B1

[1,]
[2,]
[3,]

[,1] [,2]
21
8
79
28
82
26

Determinant Matriks
> D <- matrix(c(5,8,4,2,5,6,7,8,9), ncol=3)
> det(D)
[1] 101
Inverse Matriks
> A <- matrix(c(1,3,2,4),ncol=2,byrow=T)
> A

[1,]
[2,]

[,1] [,2]
1
3
2
4

> #invers#
> B <- solve(A)
> B

[1,]
[2,]

[,1] [,2]
-2 1.5
1 -0.5

1.3.6

Data Frame

Data frame adalah suatu tabel yang dibentuk dari satu atau lebih vektor dan/atau
dengan length yang sama tapi dengan mode yang berbeda. Data frame bisa
dibuat secara implisit menggunakan fungsi read.table atau kita juga bisa menggunakan fungsi data.frame.
> Data1 <- data.frame( X=c( vc1, vc2), grade, sex=rep(c("male",
+
"female"),each=10))
> Data1

1.3. OBJEK

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

X
2
5
5
3
3
6
2
3
5
6
1
11
21
31
41
51
61
71
81
91

grade
Grade1
Grade1
Grade1
Grade1
Grade1
Grade2
Grade2
Grade2
Grade2
Grade2
Grade3
Grade3
Grade3
Grade3
Grade3
Grade4
Grade4
Grade4
Grade4
Grade4

17
sex
male
male
male
male
male
male
male
male
male
male
female
female
female
female
female
female
female
female
female
female

> head(Data1)

1
2
3
4
5
6

X
2
5
5
3
3
6

grade
Grade1
Grade1
Grade1
Grade1
Grade1
Grade2

sex
male
male
male
male
male
male

> tail(Data1)

15
16
17
18
19
20

X
41
51
61
71
81
91

grade
Grade3
Grade4
Grade4
Grade4
Grade4
Grade4

sex
female
female
female
female
female
female

> class (Data1)


[1] "data.frame"
> dim(Data1)
[1] 20

> Data1[ Data1$sex=="male",]

18

1
2
3
4
5
6
7
8
9
10

BAB 1. PENGENALAN DASAR DARI R


X
2
5
5
3
3
6
2
3
5
6

grade
Grade1
Grade1
Grade1
Grade1
Grade1
Grade2
Grade2
Grade2
Grade2
Grade2

sex
male
male
male
male
male
male
male
male
male
male

> Data1[ Data1$X > 80,]


X grade
sex
19 81 Grade4 female
20 91 Grade4 female
>

1.3.7

List

List adalah suatu vektor terurut dari sekumpulan komponen. Setiap komponen
dapat berupa sembarang data objek, yaitu vektor, matriks, data frame, atau
data list sendiri. Tiap komponen pada data list dapat mempunyai length dan
mode yang berbeda. Untuk membentuk suatu list, bisa menggunakan cara yang
sama dengan membuat data frame, hanya fungsi yang digunakan adalah list.
Contoh:
> ## List ##
>
> myList <- list(vc1, vc2, 5,6,"seven", mat,mat2)
> myList
[[1]]
[1] 2 5 5 3 3 6 2 3 5 6
[[2]]
[1] 1 11 21 31 41 51 61 71 81 91
[[3]]
[1] 5
[[4]]
[1] 6
[[5]]
[1] "seven"
[[6]]

1.4. MANAJEMEN DATA

[1,]
[2,]
[3,]
[4,]

19

[,1] [,2] [,3] [,4]


2
4
2
4
3
5
3
5
1
6
1
6
5
7
5
7

[[7]]
[,1] [,2] [,3] [,4] [,5]
[1,]
1
5
9
13
17
[2,]
2
6
10
14
18
[3,]
3
7
11
15
19
[4,]
4
8
12
16
20
> class (myList)
[1] "list"

1.4
1.4.1

Manajemen Data
Input Data

Untuk menginput data secara manual. maka buatlah terlebih dahulu suatu data frame kosong. Kemudian dengan fungsi edit(data-frame), maka akan muncul
jendela data editor, dan inputlah data secara manual.

> data1 <- data.frame(NULL)


> edit(data1)

Gambar 1.2: Jendela data editor

20

BAB 1. PENGENALAN DASAR DARI R

1.4.2

Membaca Data dalam File

Dalam membaca dan menulis file, R menggunakan working directory. Untuk


mengetahui working directory yang sedang digunakan, gunakan perintah getwd(). Working directory ini bisa dirubah menggunakan perintah setwd(path
directory).
Contoh:
> setwd("D:/PKMKS/modul_R/Template")
R bisa membaca data yang disimpan sebagai file teks (ASCII) menggunakan
fungsi read.table, scan, dan read.fwf. Fungsi read.table memiliki beberapa variasi yaitu: read.csv, dan read.delim.
Opsi penggunaan fungsi read.table diberikan sebagai berikut:
read.table(file, header = FALSE, sep = , quote = , dec = ., row.names,
col.names, as.is = FALSE, na.strings = NA,colClasses = NA,
nrows = -1, skip = 0,check.names = TRUE, fill = !blank.lines.skip,
strip.white = FALSE, blank.lines.skip = TRUE,comment.char = )

Contoh:
> ## txt file ##
>
>
> mydata <- read.table("C:/Users/Administrator/Documents/exampleData/data1.txt",
+
header=TRUE)
> mydata
1
2
3
4
5
6

Object JKel Weights


A
1
75
B
2
45
C
2
40
D
1
64
E
1
69
F
2
49

> ## Csv file ##


> chik <- read.csv("C:/Users/Administrator/Documents/exampleData/chickenData.csv")
> head(chik)
1
2
3
4
5
6

X weight
feed
1
179 horsebean
2
160 horsebean
3
136 horsebean
4
227 horsebean
5
217 horsebean
6
168 horsebean

Jika file berada dalam working directory, maka tidak perlu menuliskan pathnya, cukup nama filenya saja. Sedangkan untuk membaca data secara langsung
dari internet adalah sebagai berikut:

1.4. MANAJEMEN DATA

21

> ## Data dari Internet ##


>
> bindata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")
> head(bindata)
Jika fungsi read.table akan menghasilkan suatu data frame, sehingga tujuan
utamanya adalah untuk membaca data dalam bentuk tabular. Sedangkan fungsi
scan lebih fleksibel, kita bisa menentukan mode dari variabel-variabel yang kita
impor.
Opsi penggunaan fungsi scan diberikan sebagai berikut:
scan(file = , what = double(0), nmax = -1, n = -1, sep = ,
dec = .,skip = 0,
quote = if (sep==) else ,
nlines = 0, na.strings = NA,flush = FALSE, fill = FALSE,
strip.white = FALSE, quiet = FALSE,blank.lines.skip = TRUE,
multi.line = TRUE, comment.char = ,allowEscapes = TRUE)
Contoh:
> mydata2 <- scan("C:/Users/Administrator/Documents/exampleData/data2.txt",
+
what = list("", 0, 0))
> mydata2
[[1]]
[1] "A" "B" "C" "D" "E" "F"
[[2]]
[1] 1 2 2 1 1 2
[[3]]
[1] 75 45 40 64 69 49
Sementara itu fungsi read.fwf digunakan untuk membaca/mengimpor file
dengan data yang memiliki format fixed width.

1.4.3

Menyimpan Data kedalam File

Untuk menyimpan data dari R ke dalam suatu file, kita bisa menggunakan
fungsi write.table. Opsi dan argumen dari fungsi tersebut secara lengkap adalah
sebagai berikut:

write.table(x, file = , append = FALSE, quote = TRUE, sep = ,


eol
= , na = NA, dec = ., row.names = TRUE,
col.names = TRUE, qmethod = c(escape, double))
Contoh berikut ini kita akan menyimpan data chickwts, yang sebelumnya kita load terlebih dahulu, kemudian kita simpan ke dalam file. (Data chickwts
merupakan data built-in).
> ## list available data in R #
> # data()

22

BAB 1. PENGENALAN DASAR DARI R

>
> ### Working with available Data sets (built in)##
>
> # load data chicken (available from base)
> data(chickwts)
> ## view the first few rows of the data
>
> head(chickwts)
1
2
3
4
5
6

weight
179
160
136
227
217
168

feed
horsebean
horsebean
horsebean
horsebean
horsebean
horsebean

> summary(chickwts)
weight
Min.
:108.0
1st Qu.:204.5
Median :258.0
Mean
:261.3
3rd Qu.:323.5
Max.
:423.0

feed
casein
:12
horsebean:10
linseed :12
meatmeal :11
soybean :14
sunflower:12

> write.csv(chickwts,file="chickenData.csv")
> write.table(chickwts,file="chickenData.txt")

1.4.4

Import Data Eksternal

Dalam R kita juga bisa mengimport data dalam format paket statistika yang
lain, antara lain Minitab, SPSS, SAS, S+, Stata, Systat, dan Epi Info. Untuk mengimport data dengan format tersebut, kita memerlukan package
tambahan, yaitu package foreign.
>
>
>
>
>
>
>
>
>

## Memerlukan tambahan package foreign ##


require(foreign)
# SPSS files
dat.spss <- read.spss("hsb2.sav",to.data.frame=TRUE)
head(dat.spss)
# Stata files
dat.dta <- read.dta("hsb2.dta")
head(dat.dta)

1.5

Bantuan serta Dokumentasi

R memberikan bantuan yang sangat lengkap mengenai fungsi-fungsi yang tersedia untuk setiap package yang sudah di-load. Kita bisa menampilkan halaman
bantuan dengan menggunakan perintah berikut:

1.5. BANTUAN SERTA DOKUMENTASI


>
>
>
>
>
>
>
>

23

## menampilkan bantuan tentang fungsi rnorm ##


help (rnorm)
## menampilkan bantuan tentang fungsi cor ##
?cor
## menampilkan contoh penggunaan fungsi cor ##
example (cor)

Dengan memanggil bantuan, maka akan terbuka jendela bantuan, yang berisi
informasi tentang package terkait beserta contohnya

24

BAB 1. PENGENALAN DASAR DARI R