Langsung ke konten utama

Transformasi Logaritma dan Box-Cox Data dengan R

Transformasi logaritma dan Box - Cox

Kalau di bahasan sebelumnya, kita telah belajar bersama bagaimana cara melakukan transformasi data dengan 3 metode, kali ini saya akan berbagi bagaimana kita menerapkan transformasi dengan 2 metode lagi, yaitu logaritma dan Box-Cox. Dua jenis transformasi ini sering sekali dipakai dalam menghilangkan efek pencilan atau outlier dalam data.

Selain menghilangkan atau setidaknya meminimalisir efek pencilan, transformasi juga bermanfaat untuk menyeragamkan interpretasi pemodelan. Manfaat ini bisa dicapai apabila satuan masing-masing data yang kita pakai berbeda-beda sehingga membuat range datanya juga bisa jadi berbeda dan bahkan sangat melebar.

Kali ini untuk mempraktikan transformasi data log dan Box-Cox dengan R, kita akan mengenerate atau membuat data dummy secara manual saja. Kemudian teman-teman dapat mempraktikannya menggunakan beberapa code berikut ini:

Code:

#Mengenerate data manual
x1 <- c(10, 12, 20, 30, 18, 26, 25, 18, 16, 17, 19, 20, 11, 16, 0, 17, 0, 18, 19, 10)

#Melihat deskriptif data dengan histogram
hist(x1, main = "Data variabel X1", xlab = "sebaran data X1")

Hasil:

Visualisasi 1

Code:

#Transformasi logaritma
#Membuat fungsi transformasi log
translog <- function(x){
  log(x)
}

#Penerapan tranformasi log ke data x1
translog_x1 <- lapply(x1, translog)

#melihat data hasil transformasi log
unlist(translog_x1)

#karena ada data yang nilainya 0, maka transformasinya adalah log(data + 1)
trslog <- function(x){
  log(x + 1)
}

#Penerapan transformasi log (data + 1)
trslog_x1 <- lapply(x1, trslog)

#Melihat data hasil transformasi log(data + 1)
trflogdata <- as.numeric(unlist(trslog_x1))

#Melihat histogram setelah transformasi log
hist(trflogdata, main = "Data transformasi log(x1 + 1)", xlab = "Sebaran data")

Hasil:

Visualisasi 2

Code:

#TRANSFORMASI BOX-COX
#install dan aktivasi package MASS
install.packages("MASS")
library(MASS)

b <- boxcox(lm((x1+1)~1))

#Mendapatkan Lambda Eksak variabel x1
lambda <- b$x[which.max(b$y)]
lambda

#Membuat fungsi transformasi Box-Cox berdasarkan nilai Lambda
tfboxcox <- function(x){
  (x^lambda - 1)/lambda
}

#Menerapkan fungsi transformasi Box-Cox ke data
x1_box <- as.numeric(data.frame(lapply(x1, tfboxcox)))

#Melihat Data hasil transformasi Box-Cox
x1_box

#Melihat histogram data hasil tranformasi Box-Cox
hist(x1_box, main = "Data transformasi Box-Cox", xlab = "Sebaran data")

Hasil:

[1] 11.4412230 14.3168972 26.4770933 42.7487856 23.3527787 36.1223678 34.4889075 23.3527787 20.2807207
[10] 21.8099011 24.9087047 26.4770933 12.8691452 20.2807207 -0.8684211 21.8099011 -0.8684211 23.3527787
[19] 24.9087047 11.4412230

Visualisasi 3

Oke, demikian sedikit ulasan bagaimana kita melakukan transformasi logaritma dan Box-Cox data dengan R. Jangan lupa untuk share, tanya-tanya di kolom komentar yang tersedia, dan tentunya terus menyimak setiap unggahan terbaru dalam blog ini. Selamat mempraktikkan!

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...