Komputasi Statistika

Menggunakan Software R

Operasi Matematik dan Statistik

(Materi 2)

Program Studi Statistika FMIPA UNPAD

 TIPE DATA
• Skalar
 Nilai skalar dapat langsung didefinisikan
• a<-5 (Nilai skalar a = 5)
• “Nilai = 3” berbeda dengan “nilai = 2” berbeda dengan
“NILAI = 7” berbeda “NiLaI = 12” dst
• Kolom (vektor)
 Data vektor dapat berisi numerik (angka),
karakter (huruf) atau logical.
 lulus<-c(TRUE, FALSE, TRUE, FALSE)
 Menampilkan nilai elemen vektor
• Lulus[1] #menampilkan elemen ke-1
• lulus[c(1,3)] #menampilkan elemen ke 1 dan ke 3
 TIPE DATA (2)

• Matriks
 Semua elemen matriks harus memiliki tipe data
yang sama.

mymatrix <- matrix(vector, nrow=r, ncol=c,
byrow=FALSE, dimnames=list(char_vector_rownames,
char_vector_colnames))
 Contoh

y<-matrix(1:20, nrow=5,ncol=4) #menyusun
berdasarkan kolom

y<-matrix(1:20, nrow=5,ncol=4, byrow=TRUE)
#menyusun berdasarkan baris
 TIPE DATA (3)

• Contoh Matriks
 sel <- c(1,26,24,68)
 nama_baris <- c("R1", "R2")
 nama_kolom <- c("C1", "C2")
 z <- matrix(sel, nrow=2, ncol=2, byrow=TRUE,
dimnames=list(nama_baris, nama_kolom)
• Menampilkan elemen matriks
 y[,1] menampilkan kolom ke-1 matriks y
 y[2,] menampilkan baris ke-2 matriks y
 y[1:3,1] baris 1 sampai 3 pada kolom ke-1
 y[c(2,5),2] baris ke 2 dan 5 kolom ke 2
 TIPE DATA (4)

• Array merupakan tipe variabel berindeks dengan indeks bisa

lebih dari 2. (matriks merupakan array dengan indeks 2)

Contoh :

z = c(1,2,5,4,7,6,2,2,5,6,7,9)

Z = array(z, dim=c(2, 2, 3))
• Data Frame
 Seperti raw data (baris = pengamatan, kolom = variable)

 names(data1) <- c("nama_var_1",...,"nama_var_n")

• Menampilkan kolom/variabel data frame

 Data1[1:3]

 data1[c(“jk”)] #berbentuk data.frame satu variabel

 data1$x1 #berbentuk kolom/vektor

 TIPE DATA (5)

• List merupakan kumpulan dari beberapa objek dengan tipe

data matriks, vektor dan skalar.
• Factors Merupakan tipe data kategori
 Nominal (menggunakan syntax “factor”)

 Ordinal (menggunakan syntax “ordered”)

 FUNGSI-FUNGSI

• Beberapa fungsi berkaitan dengan data dan tipe data

 length(object) # jumlah elemen/komponen objek

 str(object) # struktur objek

 class(object) # kelas atau tipe objek

 names(object) # nama objek

 c(object1,object2,...) # stack objek1, objek2 ke dalam

vektor
 cbind(object1, object2, ...) # kombinasi objek ke dalam

kolom yang berukuran baris sama

 rbind(objek1, objek2,…) # kombinasi objek ke dalam

baris yang berukuran kolom sama

 FUNGSI-FUNGSI
 object # menampilkan objek
 ls() # listing objek yang ada
 rm(object) # menghapus objek
 object_baru <- edit(object) # edit copy dan save sebagai
object_baru
 fix(object) # memperbaiki objek
 DATA HILANG
• Secara default dalam R data hilang didefinisikan sebagai NA
(Not Available) .
• Penanganan data hilang merupakan hal yang cukup penting
dalam suatu analisis.
• Masalah ini akan dipelajari lebih lanjut secara khusus.
 Operasi Skalar dan Vektor
Operasi-operasi Skalar (Vektor)
 Penjumlahan :+
 Pengurangan :-
 Perkalian :*
 Pembagian :/
 Pangkat :^
 Akar : sqrt()
 Logaritma (ln) : log()
 Eksponen : exp()
Operasi Skalar dan Vektor (2)

Operasi-operasi Skalar (Vektor)

 %% : modulus
 %/% : pembagian integer
 abs() : nilai mutlak
 log10() : logaritma
Beberapa operasi pembulatan
 round(x, digit) : pembulatan biasa
 floor(), trunc() : pembulatan ke bawah
 ceilling() : pembulatan ke atas
Fungsi-fungsi Statistik Vektor
length() : panjang vektor/kolom
max() : nilai maksimum
min() : nilai minimum
mean() : rata-rata
sd() : simpangan baku
var() : varians
sum() : penjumlahan elemen vektor
quantile(a,p) : nilai persentil ke-p*100
vektor a
●
p = (0.25, 0.5, 0.75) adalah kuartil
●
p = (0.1, 0,2 , … 0.9) adalah desil
●
p = (0.01, 0.02, … , 0.99) adalah persentil
Fungsi-fungsi Statistik Vektor (2)

median() : nilai median

range() : rentang
scale() : centering atau standardize
seq(from, to, by) : membuat vektor berurut
rep(x, times) : replikasi objek x times kali
rep(x, each=times) : replikasi elemen objek x
times kali
prod() : perkalian antar elemen vektor
 Bekerja dengan Matriks
Membuat Matriks
 matrix(vektor, nrow=jum_baris, ncol=jum_kolom,
byrow=TRUE)
Contoh
 A<-matrix(c(1,4,2,5,3,2), 3, 2) #matriks 3x2
 b = c(-1,0,3,-2,1,0) #vektor b berisi elemen matriks
 B<-matrix(b, 2, 3) #matriks 2x3
Catatan:
 Biasakan nama matriks menggunakan huruf besar
(untuk membedakan dengan vektor)
 Jumlah elemen dalam vektor harus sama dengan
elemen matriksnya
 Operasi Matriks
Transpose Matriks
 C <- t(B) # matriks C transpose matriks B
Perkalian elemen matriks
 A*C # perkalian setiap elemen matriks A
dengan elemen matriks C
(matriks A dan C harus berukuran sama)
Perkalian dua matriks
 A%*%B # perkalian matriks A dengan B
(jumlah kolom matriks A = jumlah baris matriks
B)
 Operasi Matriks
crossprod(A, B) # perkalian transpose matriks
A dengan matriks B
(jumlah baris matriks A = jumlah baris matriks B)
 Operasi Matriks (2)
Diagonal matriks persegi
 diag(D) # diagonal matriks D
 diag(a) # membuat matriks diagonal dari
vektor a
Determinan matriks persegi
 det(D) # determinan matriks D
Invers matriks persegi
 solve(D) # inverse matriks D (D harus
bujursangkar)
Solusi persamaan linier
 solve(A, b) # solusi persamaan linier
b = Ax
 Operasi Matriks (3)
Vektor eigen dan nilai eigen
 Vektor eigen dan nilai eigen diperoleh
menggunakan perintah sebagai berikut
 ev<-eigen(F) # matriks F harus persegi

Nilai eigen dan vektor eigen secara terpisah

 eval<-eigen(F)$value # nilai eigen
 evec←eigen(F)$vector # vektor eigen

 Catatan : eigen vector yg ditampilkan adalah

yang ortonormal
 Operasi Matriks (3)
Dekomposisi nilai singular
 Menghitung dekomposisi nilai singular sebuah
matriks
 svd(M) # menghasilkan vektor d, u dan v
Determinan
 Nilai determinan dalam R diperoleh melalui
dekomposisi nilai singular
absdet<-prod(svd(M)$d)
 Atau menggunakan perkalian nilai eigen
absdet←prod(eigen(M)$value)
Rank matriks adalah banyak nilai eigen yang
tidak nol
Hatur Nuhun
bertho@unpad.ac.id