LAPORAN PRAKTIKUM

PERTEMUAN I
PENGANTAR SAINS DATA

Oleh
Nama : Ian Andromeda
NPM : F1A023042
Dosen Pengampu : 1. Septri Damayanti, S.Si, M.Si
2. Winalia Agwil, S.Si., M.Si
Asisten Praktikum :1. Sofi Maryati (F1A022002)
2. Anisa Hazmi (F1A022004)
3. Revika Putri Asharia (F1A022016)

LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2024
 KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas

rahmat-Nya, penulis diberikan kelancaran dalam pembuatan Laporan Praktikum

Pengenalan program R. Selama pembuatan laporan ini, penulis tidak lepas dari

banyak kesulitan dalam pembuatannya. Penulis mendapat banyak masukan dan

bimbingan dari berbagai pihak sehingga tidak lupa penulis mengucapkan

terimakasih.

Pada kesempatan ini Penulis juga mengucapkan terima kasih kepada yang

terhormat:

1. Septri Damayanti, S.Si., M.Si selaku dosen pengampu

2. Winalia Agwil, S.Si., M.Si selaku dosen pengampu

3. Sofi Maryati selaku asisten praktikum

4. Anisa Hazmi selaku asisten praktikum

5. Revika Putri Asharia selaku asisten praktikum

6. Terakhir, pada keluarga dan teman-teman yang memberikan dukungan kepada

penulis.

Penulis memohon maaf apabila terdapat kesalahan kata maupun penulisan

didalam Laporan Praktikum Pengenalan Program R ini. Akhir kata penulis

berharap agar laporan ini dapat memberikan manfaat dan pembelajaran untuk

pembaca.

Bengkulu,28 Maret 2024

Penulis

ii
 DAFTAR ISI

HALAMAN JUDUL ............................................................................................. i

KATA PENGANTAR .......................................................................................... ii
DAFTAR ISI ....................................................................................................... iii
DAFTAR LAMPIRAN ....................................................................................... iv
BAB I PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Batasan Masalah ......................................................................................... 2
1.4 Tujuan .......................................................................................................... 3
1.5 Manfaat ........................................................................................................ 3
BAB II TINJAUAN PUSTAKA .......................................................................... 4
2.1 Landasan Teori ............................................................................................ 4
BAB III METODE PENELITIAN ..................................................................... 6
3.1 Jenis dan Sumber Data ............................................................................... 6
3.1.1 Jenis Data ……….................................................................................... 6
3.1.1 Sumber Data …….................................................................................... 6
3.3 Variabel Penelitian ...................................................................................... 6
3.3 Analisis Data ................................................................................................ 6
3.3.1 Batasan Masalah 1 ................................................................................... 6
3.3.2 Batasan Masalah 2 ................................................................................... 6
3.3.3 Batasan Masalah 3 ................................................................................... 6
3.3.4 Batasan Masalah 4 ................................................................................... 6
3.3.5 Batasan Masalah 5 ................................................................................... 6
BAB IV HASIL DAN PEMBAHASAN .............................................................. 7
4.1 Hasil .............................................................................................................. 7
4.1.1 Hasil Batasan Masalah 1 ......................................................................... 7
4.1.2 Hasil Batasan Masalah 2 ......................................................................... 7
4.1.3 Hasil Batasan Masalah 3 ......................................................................... 7
4.1.4 Hasil Batasan Masalah 4 ......................................................................... 7
4.1.4 Hasil Batasan Masalah 5 ......................................................................... 7
4.2 Pembahasan ................................................................................................. 7
BAB V KESIMPULAN DAN SARAN .................................................................. 9
5.1 Kesimpulan .................................................................................................. 9
5.2 Saran ............................................................................................................. 9
DAFTAR PUSTAKA ......................................................................................... 10

iii
 DAFTAR LAMPIRAN

Lampiran 1. Syntax batasan masalah 1 .................................................................11

Lampiran 2. Output batasan masalah 2 .................................................................11
Lampiran 3. Syntax batasan masalah 3 .................................................................11
Lampiran 4. Output batasan masalah 4 .................................................................11
Lampiran 5. Syntax batasan masalah 5 .................................................................11
Lampiran 6. Output batasan masalah 6 .................................................................11
Lampiran 7. Syntax batasan masalah 7 .................................................................11
Lampiran 8. Output batasan masalah 8 .................................................................11
Lampiran 9. Syntax batasan masalah 9 .................................................................11
Lampiran 10. Output batasan masalah 10..............................................................11

iv
 BAB I

PENDAHULUAN

1.1 Latar Belakang

R adalah sebuah program komputasi statistika dan grafis (R Core Team 2022).

Saat ini R sudah dikenal luas sebagai salah satu powerful software untuk analisis

data dan Data Science. Tentu saja selain R masih banyak software lain yang juga

sering digunakan untuk analisis data, misalnya Python. R dibuat dengan tujuan

awal untuk komputasi statistika dan grafis. Awalnya digunakan oleh para

ilmuwan dalam riset mereka dan para akademisi. Namun seiring perkembangan

teknologi, cakupan kemampuan R sebagai bahasa pemrograman menjadi jauh

lebih luas. Anda dapat membuat dan update report rutin menggunakan R

Markdown. Anda juga dapat membuat aplikasi web interaktif atau dashboard

dengan package shiny. Karena R didesain untuk analisis data dan perkembangan

serta kemampuannya mencakup hampir semua lini dalam analisis data, tidak

heran saat ini banyak analis data dan ilmuwan data (data scientist) menggunakan

R untuk menyelesaikan berbagai masalah mereka.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, masalah yang dapat disimpulkan adalah

sebagai berikut:

1. Bagaimana cara mahasiswa mampu mengenal dasar-dasar Program R.

2. Bagaimana cara mahasiswa mampu mengoperasikan Program R.

1.2 Batasan Masalah

Buatlah dataframe mtcars pada R anda, lakukanlah:

1. Mengambil satu kolom untuk variabel numerik hp.

1
2. Membuat suatu objek list menjadi sebuah vektor (hp dan mpg).

3. Membuat matriks dari variabel numerik hp berukuran 4 baris dan 8 kolom.

4. Membuat array berdimensi 3 berisi 2 lapis matriks masing-masing berukuran

4 baris dan 4 kolom dari variabel numerik hp.

5. Berikan informasi banyaknya observation dan variabel, nama-nama variabel,

dan beberapa nilai baris pertama untuk masing-masing variabel.

1.4 Tujuan

Berdasarkan rumusan masalah di atas, tujuan yang dapat disimpulkan adalah

sebagai berikut:

1. Mahasiswa mampu mengenal dasar-dasar Program R.

2. Mahasiswa mampu mengoperasikan Program R.

1.5 Manfaat

Berdasarkan rumusan masalah di atas, manfaat penelitian yang dapat

disimpulkan adalah sebagai berikut:

1. Memahami dasar-dasar pada Program R.

2. Memahami cara mengoperasikan Program R.

2
 BAB II

TINJAUAN PUSTAKA

2.2 Landasan Teori

R adalah suatu free software untuk analisis data dan grafik yang didasarkan

pada bahasa pemrograman S yang dikembangkan oleh Rick Becker, John

Chambers, dan Allan Wilks dari AT&T Bell Laboratories (1976). R merupakan

bahasa tingkat tinggi (high level language). R ditulis oleh Ross Ihaka dan Robert

Gentleman di Universitas Auckland, Selandia Baru. Banyak kelompok orang telah

berkontribusi pada R dengan mengirimkan kode dan melaporkan bug. Sejak

pertengahan tahun 1997, telah ada grup inti R (R Development Core Team) yang

dapat memodifikasi arsip kode sumber R( Yudiantri Asdi,2018).

R adalah perangkat lunak yang sangat berguna dalam analisis statistik.

Sifatnya yang open source memudahkan penggunanya unduh dan gunakan secara

bebas. Ukurannya yang relatif kecil memungkinkan R untuk diinstal dan

digunakan di laptop karena tidak memakan banyak memori laptop. Pengguna juga

dimudahkan untuk mempelajari analisis statistik menggunakan R karena tersedia

banyak sumber belajar yang juga mudah diakses. Tetapi keberadaan dan

kemudahannya belum banyak diketahui oleh para pengguna analisis statistik.

Kelebih mengenalkan R kepada masyarakat dengan menggunakan analisis

statistik, pelatihan R dilakukan melalui program pengabdian kepada masyarakat

(PPM)(Herlina Hanum,2018).

Berikut adalah dasar-dasar dalam program R:

Bahasa pemrograman R mempunyai sedikit perbedaan dengan bahasa

pemrograman pada umumnya. Salah satunya adalah pada operator assignment.

3
Hampir semua bahasa pemrograman lain menggunakan tanda = sebagai

operator assignment. Di R, yang utama dan paling banyak digunakan oleh

pengguna R adalah operator panah kiri (<-). obj <- expr berarti “masukkan nilai

hasil dari operasi di sisi kanan (expr) ke dalam objek di sisi kiri (obj)”. Ada

beberapa operator assignment lainnya yang dapat Anda gunakan di R. Di bawah

ini adalah daftar operator assignment.

Operator Cakupan Penjelasan

<- lokal/global nilai dari sebelah kanan dimasukkan ke dalam objek di

sebelah kiri.

-> lokal/global nilai dari sebelah kiri dimasukkan ke dalam objek di

sebelah kanan.

<<- global nilai dari sebelah kanan dimasukkan ke dalam objek

global di sebelah kiri.

->> global nilai dari sebelah kiri dimasukkan ke dalam objek global

di sebelah kanan.

Aturan penamaan objek dalam R hampir sama dengan aturan penamaan pada

bahasa pemrograman lain, namun ada beberapa aturan khusus yang terdapat di R.

Berikut aturan penamaan objek di R.

 Menggunakan kombinasi alfabet (a-z, A-Z), angka (0-9), titik atau underscore.

 Diawali alfabet, titik atau underscore. Tidak boleh diawali dengan angka.

 Tidak mengandung spasi, tab atau karakter khusus seperti !, @, # dan lainnya.

 Sebaiknya tidak menggunakan beberapa penamaan atau nilai yang sudah

digunakan oleh R (function dan keyword lainnya).

4
 Misalnya c, q, TRUE, FALSE, df, dt, rnorm, runif, rf, exp, dan lain-lain. Untuk

mengetahui nama-nama yang sudah digunakan oleh R Anda dapat

mengetikkan perintah ?reserved di console RStudio Anda.

Vector adalah objek data paling sederhana yang ada di dalam R. Secara umum

jenis vector terbagi 2, yaitu numeric dan character. Ada banyak sekali cara untuk

membuat sebuah vector di R. Di bagian ini akan dibahas beberapa cara yang

banyak dan mungkin akan sering Anda gunakan.

 Fungsi yang paling sering digunakan untuk membuat sebuah vector adalah

dengan menggunakan fungsi c().

 Tanda titik dua/colon (:) untuk membuat sebuah vector numeric berurutan

secara meningkat atau menurun

 Fungsi seq( ) ini dapat digunakan untuk membuat vector berurutan dan

dengan increment tertentu.

 Fungsi unlist( ) ini berguna untuk menjadikan sebuah objek list menjadi

sebuah vector.

 Fungsi rep( ) dapat membuat sebuah vector dengan mengulang-ulang nilai

yang diinginkan sebanyak yang dibutuhkan.

 Vector character adalah vector yang semua elemennya bertipe character.

Factor merupakan bentuk lebih luas dari vector. Biasanya factor lebih sering

digunakan untuk menyimpan data nominal atau ordinal. Misalnya vector

character yang berisi "male" dan "female". Pada vector character, nilainya

adalah "male" dan "female" seperti terlihat apa adanya. Namun pada factor,

tampilan dari isi datanya mungkin "male" dan "female" tetapi isi dari factor adalah

5
pengkodean numerik. Misal untuk "female" nilai sebenarnya adalah 1,

sedangkan "male" bernilai 2.

Matriks adalah objek di R yang memiliki 2 dimensi, baris (row/m) dan kolom

(column/n), dan tipe nilainya sama. Jika ketika membuat sebuah matriks

elemennya memiliki minimal 1 elemen bertipe character maka seluruh matriks

tersebut akan bertipe character. Membuat matriks di R menggunakan vector yang

dikonversi dimensinya. Karena seperti yang sudah diketahui bahwa sebuah vector

di R tidak mempunyai dimensi, tetapi dapat dibayangkan seperti matriks

berukuran m baris dan 1 (satu) kolom.

Array merupakan objek seperti matriks dengan dimensi lebih banyak. Jika

matriks hanya mempunyai 2 dimensi, maka array dapat memiliki lebih dari 2

dimensi.

Dataframe layaknya sebuah tabel di Ms Excel, terdiri dari baris dan kolom

dengan nama masing-masing kolom berbeda. Apa bedanya dengan matriks?

Matriks hanya bisa menyimpan tipe data yang sama, numeric atau character

seluruhnya. Pada dataframe, masing-masing kolom boleh memiliki tipe data yang

berbeda. Dataframe seperti umumnya bentuk tabel yang sering kita gunakan.

Objek list pada dasarnya mirip seperti vector, hanya saja tipe elemennya bisa

berbeda. Jika pada vector numeric semua elemennya harus berupa numerik. Pada

vector character semuanya harus karakter. Pada objek list elemennya dapat

berupa vector, factor, matriks, array, dataframe, bahkan list di dalam list atau

objek lain seperti model prediktif yang dibuat di R(Cintia Septemberini,2024).

4
 BAB III

METODE PENELITIAN

3.1 Jenis dan Sumber Data

3.1.1 Jenis Data

Jenis data yang digunakan adalah data kuantitatif. Data kuantitatif

merupakan data atau informasi yang di dapatkan dalam bentuk angka. Dalam

bentuk angka ini maka data kuantitatif dapat di proses menggunakan rumus

matematika atau dapat juga di analisis dengan sistem statistik.

3.1.2 Sumber Data

Pada penelitian ini sumber data yang digunakan adalah sumber data

sekunder. Data Sekunder merupakan sumber data suatu penelitian yang di peroleh

peneliti secara tidak langsung melalui media perantara (di peroleh atau dicatat

oleh pihak lain).

3.2 Variabel Penelitian

Adapun variabel penelitian yang digunakan sebagai berikut:

1. $ mpg = variabel mpg pada dataframe mtcars.

2. $ cyl = variabel cy/pada dataframe mtcars.

3. $ disp = variabel disp pada dataframe mtcars.

4. $ hp = variabel hp pada dataframe mtcars.

5. $ drat = variabel drat pada dataframe mtcars.

6. $ wt = variabel wt pada dataframe mtcars.

7. $ qsec = variabel qsec pada dataframe mtcars.

5
 8. $ vs = variabel vs pada dataframe mtcars.

9. $ am = variabel am pada dataframe mtcars.

10. $ gear = variabel gear pada dataframe mtcars

3.3 Analisis Data

3.3.1 Analisis batasan masalah 1

1. Tuliskan mtcars$hp.

2. Terakhir klik Run.

3.3.2 Analisis batasan masalah 2

1. Tuliskan x <- list(mtcars$hp, mtcars$mpg).

2. Lalu tulis x.

3. Kemudian tuliskan x <- unlist(x).

4. Lalu tulis x

5. Terakhir klik Run.

3.3.3 Analisis batasan masalah 3

1. Tuliskan m <- matrix(data = mtcars$hp, nrow = 4, ncol = 8).

2. Kemudian tuliskan m.

3. Terakhir klik Run.

3.3.4 Analisis batasan masalah 4

1. Tuliskan array(mtcars$hp, dim = c(4,4,2)).

2. Terakhir klik Run.

3.3.5 Analisis batasan masalah 5

1. Tuliskan str(mtcars)

2. Terakhir klik Run.

4
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Hasil Batasan masalah 1

Hasil dari batasan masalah 1 adalah

[1] 110 110 93 110 175 105 245 62 95 123 123 180 180 180 205 215 230 66 5

2 65

[21] 97 150 150 245 175 66 91 113 264 175 335 109

4.1.2 Hasil Batasan Masalah 2

Hasil dari batasan masalah 2 adalah

x <- list(mtcars$hp, mtcars$mpg)

[[1]]

[1] 110 110 93 110 175 105 245 62 95 123 123 180 180 180 205 215 230 66 5

2 65

[21] 97 150 150 245 175 66 91 113 264 175 335 109

[[2]]

[1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4 10.

[17] 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7 15.0 21

.4

x <- unlist(x)

[1] 110.0 110.0 93.0 110.0 175.0 105.0 245.0 62.0 95.0 123.0 123.0 180.0 180.

[14] 180.0 205.0 215.0 230.0 66.0 52.0 65.0 97.0 150.0 150.0 245.0 175.0 66.0

5
[27] 91.0 113.0 264.0 175.0 335.0 109.0 21.0 21.0 22.8 21.4 18.7 18.1 14.3

[40] 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4 10.4 14.7 32.4 30.4 33.9

[53] 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7 15.0 21.4

4.1.3 Hasil Batasan Masalah 3

Hasil dari batasan masalah 3 adalah

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

[1,] 110 175 95 180 230 97 175 264

[2,] 110 105 123 180 66 150 66 175

[3,] 93 245 123 205 52 150 91 335

[4,] 110 62 180 215 65 245 113 109

4.1.4 Hasil Batasan Masalah 4

Hasil dari batasan masalah 4 adalah

,,1

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

[1,] 110 175 95 180

[2,] 110 105 123 180

[3,] 93 245 123 205

[4,] 110 62 180 215

,,2

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

[1,] 230 97 175 264

[2,] 66 150 66 175

[3,] 52 150 91 335

[4,] 65 245 113 109

4
4.1.5 Hasil Batasan Masalah 5

Hasil dari batasan masalah 5 adalah

'data.frame': 32 obs. of 11 variables:

$ mpg : num 21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...

$ cyl : num 6 6 4 6 8 6 8 4 4 6 ...

$ disp: num 160 160 108 258 360 ...

$ hp : num 110 110 93 110 175 105 245 62 95 123 ...

$ drat: num 3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...

$ wt : num 2.62 2.88 2.32 3.21 3.44 ...

$ qsec: num 16.5 17 18.6 19.4 17 ...

$ vs : num 0 0 1 1 0 1 0 1 1 1 ...

$ am : num 1 1 1 0 0 0 0 0 0 0 ...

$ gear: num 4 4 4 3 3 3 3 4 4 4 ...

$ carb: num 4 4 1 1 2 1 4 2 2 4 ...

4.2 Pembahasan

Dari hasil batasan masalah 1 menggunakan dataframe mtcars untuk dapat

membuat satu kolom untuk variabel numeric hp. Sehingga dapat dibuat menjadi

mtcars$hp sebagai syntax yang akan dibuat. Kemudian akan menghasilkan satu

kolom untuk variabel numeric hp. Pada hasil batasan masalah 2 menggunakan list

untuk dapat membuat suatu objek list menjadi sebuah vector. Sehingga dapat

dibuat dengan menuliskan list dari variabel numeric hp dan mpg. Dengan bentuk

x sebagai variabel tempat untuk list dengan membuat x <- list(mtcars$hp,

mtcars$mpg). Sehingga dapat mengeluarkan suatu data dan kemudian menuliskan

x<- unlist(x), untuk menghasilkan suatu objek list menjadi sebuah vector. Pada

5
batasan masalah 3 menggunakan matriks untuk dapat membuat matriks dari

variabel numeric hp berukuran 4 baris dan 8 kolom. Sehingga kita dapat membuat

matriks dari variabel numeric hp (mtcars$hp) untuk dapat meghasilkan sebuah

baris dan kolom dengan menuliskan m sebagai variabel tempat matriks, dengan

bentuk m <- matrix(data = mtcars$hp, nrow = 4, ncol = 8). Sehingga dapat

memberikan hasil dari variabel numeric hp berukuran baris dan kolom.

Pada batasan masalah 4 menggunakan array untuk dapat membuat membuat

dimensi 3 berisi 2 lapis matriks masing-masing yang berukuran 4 x 4

menggunakan mtcars$hp. Sehingga dapat dibuat dengan array(mtcars$hp, dim =

c(4,4,2)). Bahwa array tersebut menggunakan 4 baris, 4 kolom, dan 2, lapis.

Sehingga dapat menghasilkan sebuah array dengan menggunakan variabel

numeric hp. Pada batasan masalah 5 menggunakan str untuk memberikan

informasi pada masing- masing variabel numeric (mtcars). Sehingga dapat dibuat

menggunakan str(mtcars). Dengan menghasilkan variabel numeric seperti hp,

mpg, cyl, dan lainnya.

4
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulannya bahwa mahasiswa dapat mengenal dan mampu

mengoperasikan dasar-dasar program R. Dimana mahasiswa dapat menggunakan

syntax pada program R. Mahasiswa juga dapat mengetahui dasar-dasar yang

digunakan dalam melakukan syntax yang akan dibuat.

Kesimpulan dari batasan masalah bahwa kita dapat menghasilkan sebuah

syntax pada dataframe mtcars, seperti mengambil satu kolom variabel numeric

hp, membuat objek list menjadi vector menggunkan variabel numeric hp dan mpg,

membuat matriks dan array, serta memberikan informasi pada mtcars.

5.2 Saran

Saran penulis dalam melakukan program R untuk dapat mengerti dasar-dasar

program R. Dapat memberikan komentar yang baik dan dapat mengoptimalkan

simbol-simbol pada program R. Mampu mengperasikan dasar-dasar dalam

program R.

13
 DAFTAR PUSTAKA

Asdi, Yudiantri. Pengenalan Software R

http://matematika.fmipa.unand.ac.id/images/bahan-seminar/pakyudi.pdf. Waktu

akses 8.29

Sauddin, Adnan. Pengenalan R Programing.

https://www.e-jurnal.com/2017/04/pengenalan-r-programming.html. Waktu akses

8.30

Septemberini, Cintia. Modul Praktikum Pengantar Sains Data. Waktu akses 8.30

14
 LAMPIRAN

Lampiran 1. Syntax batasan masalah 1

L ampiran 1. Output batasan masalah 1

Lampiran 2. Syntax batasan masalah 2

15
Lampiran . Output batasan masalah 2

Lampiran 3. Syntax batasan masalah 3

Lampiran 3. Output batasan masalah 3

16
Lampiran 4. Syntax batasan masalah 4

Lampiran 4. Output batasan masalah 4

Lampiran 5. Syntax batasan masalah 5

15
Lampiran 5. Output batasan masalah 5

16