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

Eksplorasi Subset Data dengan R

 

Eksplorasi Subset Data

Subset data merupakan bagian dari data yang terdiri atas elemen-elemen tertentu. Eksplorasi subset sebuah data kita perlukan untuk kebutuhan mengolah sebagian data dari data induk yang memiliki dimensi yang lebih besar. Dengan eksplorasi subset data, kita akan mampu mempertajam analisis atau mengerucutkan perhatian kita terhadap sebagian data tertentu.

Kali ini kita akan belajar bersama bagaimana melakukan eksplorasi subset data itu. Arahnya nanti jelas, kita akan mampu mengolah sebagian data dari data yang berdimensi besar, termasuk di dalamnya untuk memilah-milah data mana yang akan kita gunakan dalam analisis sesuai kebutuhan.

Kita dapat menggunakan data-data yang telah ada di blog ini, bisa mengunduhnya di sini, atau kita bisa mengenerate secara manual sebuah data frame untuk kemudian kita eksplorasi. Untuk lebih memahamkan, beberapa code yang dituliskan pada R adalah sebagai berikut:

Code:

#Membuat data frame
df <- data.frame(grup = c('A', 'B', 'C', 'D', 'E'),
                 nilaibiologi = c(68, 80, 97, 92, 91),
                 nilaifisika = c(70, 75, 88, 94, 89))

#Melihat sekilas data
head(df)

Hasil:

  grup nilaibiologi nilaifisika
1    A           68          70
2    B           80          75
3    C           97          88
4    D           92          94
5    E           91          89

Code:

#Melihat Struktur data
str(df)

Hasil:

'data.frame':    5 obs. of  3 variables:
 $ grup        : chr  "A" "B" "C" "D" ...
 $ nilaibiologi: num  68 80 97 92 91
 $ nilaifisika : num  70 75 88 94 89

Code:

#Melihat nilai fisika untuk seluruh grup
df[-2] #Menghilangkan data pada kolom 2

Hasil:

 grup nilaifisika
1    A          70
2    B          75
3    C          88
4    D          94
5    E          89

Code:

#Melihat nilai biologi dan fisikan grup C dan D
df[c(3:4),] #Melihat data pada baris 3 dan 4 untuk semua kolom

Hasil:

  grup nilaibiologi nilaifisika
3    C           97          88
4    D           92          94

Code:

#Melihat nilai fisika pada grup A
df[1,3] #Melihat data pada baris 1 dan kolom 3

Hasil:

[1] 70

Oke, demikian sedikit ulasan bagaimana kita melakukan eksplorasi subset data dalam R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

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