Langsung ke konten utama

Visualisasi Data dengan Peta sebagai Pendukung Analisis Spasial (Spatial Analysis)

Visualisasi data dengan peta spasial Analisis spasial atau berbasis kewilayahan akhir-akhir ini semakin banyak diminati. Selain mempunyai daya tarik karena enak dipandang mata, visualisasi spasial dengan peta ini juga dinilai meningkatkan kecepatan pemahaman pengguna informasi yang disajikan. Bila data yang kita miliki memiliki variabel lokasi atau kontur, visualisasi spasial bisa jadi menjadi pilihan tepat. Dengan berbekal peta berekstensi *shp dan sebuah data lokasi atau kontur, visualisasi spasial dapat diterapkan secara mudah. Namun kenyataannya, tidak mudah bagi kita untuk melakukan visualisasi data secara spasial. Beberapa data yang diperlukan adalah garis lintang dan bujur, juga data yang akan divisualkan. Misalkan data Angka Kematian Bayi (AKB). Sebelum praktikum, ada baiknya kita pahami dulu apa itu AKB. Menurut Badan Pusat Statistik (BPS), Angka Kematian Bayi adalah banyaknya bayi yang meninggal sebelum mencapai umur 1 tahun pada waktu tertentu per 1.000 kelahiran hidup pada
Posting Komentar

Cara Penerapan dan Manfaat dari Fungsi Sprintf() di R

fungsi sprintf di R

Halo teman-teman. Kali ini saya akan berbagi sedikit mengenai sebuah fungsi di R yang ke depan akan bermanfaat. Pada bahasan kali ini, kita akan mengulas tentang bagaimana menggabungkan numerik dan tipe data string atau karakter di R.

Salah satu fungsi di R yang bisa digunakan dalam menggabungkan data bertipe numerik dan string adalah fungsi sprintf(). Fungsi ini bisa kita manfaatkan bila kita ingin mencetak sebuah data string misalkan kalimat yang secara otomatis tersisipi oleh data bertipe numerik.

Misalkan dari hasil sebuah hitungan, kita dapatkan bahwa kecepatan laju sebauh mobil adalah 40 km per jam. Kemudian kita gabungkan dengan kalimat: mobil itu cukup lambat dengan melaju 40 km per jam. Dalam kasus seperti inilah di praktik berikut ini kita akan terapkan dengan menggunakan fungsi sprintf() yang ada di dalam R. Untuk lebih tergambar apa yang dimaksud penggabungan itu dan bagaimana cara penggunaan fungsi sprintf(), mari kita ikuti bersama beberapa code di berikut:

Code:

#Penggunaan sprintf
#Menggabungkan Hasil Hitungan ke dalam sebuah teks atau string

#Mendeklarasikan sebuah nilai atau hasil hitungan
x <- 5.4431

#Menyatukan hasil hitungan atau nilai dengan sebuah kalimat teks atau string
sprintf("Kecepatan berlari saya sekitar %.1f kilo per jam", x)

Hasil:

[1] "Kecepatan berlari saya sekitar 5.4 kilo per jam"

Code:

#Deklarasi 2 nilai
x1 <- 5.4431
x2 <- 10.778342

#Menyatukan dengan teks atau string
sprintf("Saya mengemudi dengan sejauh %.1f kilometer dan kemudian saya berlari %.2f kilometer", x1, x2)

Hasil:

[1] "Saya mengemudi dengan sejauh 5.4 kilometer dan kemudian saya berlari 10.78 kilometer"

Baik, demikianlah cara bagaimana kita menerapkan manfaat dari fungsi sprintf() di dalam R. Jangan lupa untuk share artikel ini dan terus simak dan ikuti unggahan artikel berikutnya. Selamat mempraktikkan!

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun
Posting Komentar
Baca selengkapnya

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan
Posting Komentar
Baca selengkapnya

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s
Posting Komentar
Baca selengkapnya