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

Import Data CSV ke dalam R

Import data csv
 
Halo teman-teman, dalam unggahan artikel perdana kali ini, saya ingin berbagi sedikit bagaimana kita mengimport data berekstensi *csv ke dalam R. Oiya, R yang saya gunakan kali ini dan untuk unggahan-unggahan berikutnya adalah R Studio (bentuk GUI dari R) dengan versi 4.0.2 public. Bagi teman-teman yang belum menginstall, dapat menginstallnya terlebih dahulu agar dapat mempraktikkan semua unggahan di blog ini secara mudah.
Sebelum melakukan praktikum import data csv, ada baiknya teman-teman mendownload sebuah data yang telah saya siapkan pada link berikut. Istilah import ini sebetulnya sama seperti ketika kita akan mengolah data, datanya kita masukkan dulu ke dalam aplikasi pengolah datanya. Sebagaimana kita mengolah sebuah informasi dari berita tertentu, maka hal pertama yang kita lakukan adalah membaca. Membaca mulai dari judul berita, isi berita, bahkan hingga tag, penulis, serta waktu berita tersebut dipublikasikan. Seperti itulah gambaran singkatnya teman-teman.
Langkah-langkah import data ke dalam R yaitu:
 
Unduh data yang telah saya siapkan. Bila teman-teman punya data csv sendiri juga boleh dicoba. Data yang saya siapkan hanyalah untuk keperluan praktikum saja;
 
Misalkan teman-teman menyimpan data tersebut di Downloads, maka teman-teman dapat mengklik alamat direktor seperti gambar berikut:
Mendapatkan alamat direktori data

Setelah itu, silakan ketik code R berikut bisa di bagian R scripts bisa juga di bagian Console R Studio:

#Install dan mengaktifkan package
install.packages("readr") #bagi teman-teman yang belum menginstall package readr bisa install dulu
library(readr) #ini untuk mengaktifkan package readr-nya

#Import Data CSV 
dataku <- read.csv("C:/Users/Joko Ade/Downloads/importcsv.csv", header = TRUE, stringAsFactors = F)
#Header = TRUE maksudnya adalah menampilkan nama-nama kolom di dalam data teman-teman 
#Pada direktor komputer biasanya muncul C:\Users\Joko Ade\Downloads , ini tanda "\" dibalik menjadi "/" dan setelah Downloads diberi garing miring lagi diikuti nama file data csv yang mau diimport sehingga menjadi C:/Users/Joko Ade/Downloads/importcsv.csv
#Jangan lupa diberi akhiran (.csv) sesuai ekstensi data yang mau kita import dalam R

#Melihat sekilas data
head(dataku)

#Melihat struktur data
str(dataku) #fungsi str digunakan untuk melihat struktur dalam data, apakah numeric, factor, karakter, atau lainnya

Code di atas bisa digunakan jika teman-teman mau mengimport data yang dimensinya masih dapat dijangkau oleh kemampuan standar (default) dari R. Lantas, bagaimana bila data yang mau kita import itu berukuran sangat besar? Misalkan data detak jantung manusia sedunia per detik selama 100 tahun. Adakalanya R tidak mampu untuk "membaca" data di luar batas standarnya. Namun jangan khawatir, kita masih bisa mengatasinya dengan menginstall package data.table terlebih dahulu kemudian menggunakan fungsi fread() yang tertanam di dalam package tersebut. Adapun codenya sebagai berikut:

#Menginstall package data.table dan mengaktifkannya
install.packages("data.table")
library(data.table)

#Mengimport data berdimensi sangat besar dengan fungsi fread()
dataku2 <- fread("C:/Users/Joko Ade/Downloads/importcsv.csv", header = TRUE, stringAsFactors = F)

#Melihat sekilas data
head(dataku2)

#Melihat struktur data
str(dataku2)
 
Sebagai catatan bahwa di dalam R, sama halnya di Python, komentar di setiap bagian code atau script diawali dengan tanda tagar (#).
 
Oke, demikian sedikit ulasan bagaimana kita melakukan import data csv ke 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