 |
| Exploratory Data Analysis (EDA) dengan R |
Berjumpa lagi teman-teman, pada pembahasan sebelumnya kita telah menguliti sekilas tentang model-model machine learning, khususnya yang bertipe supervised learning. Kali ini kita akan sejenak break, kita akan mengulas mengenai Exploratory Data Analysis atau yang biasa kita singkat EDA.
Pada bangku-bangku sekolah hingga mungkin perkuliahan, mungkin kita akan bertemu materi statistika dengan topik memvisualisasikan data, mendapatkan ukuran pemusatan (rata-rata, median, dan modus), menghitungan ukuran penyebaran data, uji hipotesis data yang kemudian diistilahkan dengan statistik inferensia, dan yang tidak kalah penting kita akan menemukan data-data pencilan atau data yang ekstrem, atau data yang anomali. Proses itu semua pada dasarnya merupakan gerbang yang mengantar kita pada pembahasan Exploratory Data Analysis (EDA).
Dalam pengertiannya, EDA merupakan aktivitas mengeksplorasi data, mulai dari menemukan pola atau perilaku data, menghitung ukuran-ukuran data, mulai ukuran pemusatan, ukuran penyebaran, ukuran kemencengan, mendeteksi adanya data anomali atau pencilan (outlier), melakukan uji bivariate dan uji multivariate atau uji hipotesis yang kemudian diistilahkan statistik inferensia, serta proses memvisualisasikan data sehingga memiliki insight yang baik dan bermanfaat bagi penggunanya. Dari pengertian tersebut, setidaknya ada 2 poin utama Exploratory Data Analysis (EDA), yaitu statistik deskriptif dan statistik inferensia yang meliputi analisis univariate dan analisis multivariate.
Dalam praktikum kali ini, kita akan mencoba melakukan EDA menggunakan data diamonds yang tertanam dalam package ggplot2(). Sebagai awalan kita akan melakukan analisis deskriptif dahulu dengan melihat sebaran data, misalkan sebaran data harga dengan histogram dilanjutkan dengan membuat scatter plot variabel carat menurut harga dan clarity, box plot, dan membuat matriks korelasi.
Pada tahapan analisis inferensianya, kita menggunakan uji signifikansi matriks korelasi multivariate untuk variabel bertipe numerik sebagai ajang praktik analisis inferensianya. Sedangkan pada tahapan akhir, kita coba mengecek apakah di dalam data terdapat missing data atau tidak. Untuk melakukan praktik, teman-teman dapat mengikuti beberapa code berikut:
Code:
#Install dan Aktivasi Package
install.packages("tidyverse")
library(tidyverse)
#Import Data yang tertanam dalam ggplot2()
data("diamonds")
#Melihat Sekilas Data
names(diamonds)
head(diamonds)
Hasil:
[1] "carat" "cut" "color" "clarity" "depth" "table" "price" "x" "y" "z"
# A tibble: 6 x 10
carat cut color clarity depth table price x y z
<dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
4 0.29 Premium I VS2 62.4 58 334 4.2 4.23 2.63
5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48
Code:
#Ringkasan Data
summary(diamonds)
Hasil:
carat cut color clarity depth table price
Min. :0.2000 Fair : 1610 D: 6775 SI1 :13065 Min. :43.00 Min. :43.00 Min. : 326
1st Qu.:0.4000 Good : 4906 E: 9797 VS2 :12258 1st Qu.:61.00 1st Qu.:56.00 1st Qu.: 950
Median :0.7000 Very Good:12082 F: 9542 SI2 : 9194 Median :61.80 Median :57.00 Median : 2401
Mean :0.7979 Premium :13791 G:11292 VS1 : 8171 Mean :61.75 Mean :57.46 Mean : 3933
3rd Qu.:1.0400 Ideal :21551 H: 8304 VVS2 : 5066 3rd Qu.:62.50 3rd Qu.:59.00 3rd Qu.: 5324
Max. :5.0100 I: 5422 VVS1 : 3655 Max. :79.00 Max. :95.00 Max. :18823
J: 2808 (Other): 2531
x y z
Min. : 0.000 Min. : 0.000 Min. : 0.000
1st Qu.: 4.710 1st Qu.: 4.720 1st Qu.: 2.910
Median : 5.700 Median : 5.710 Median : 3.530
Mean : 5.731 Mean : 5.735 Mean : 3.539
3rd Qu.: 6.540 3rd Qu.: 6.540 3rd Qu.: 4.040
Max. :10.740 Max. :58.900 Max. :31.800
Code:
#Visualisasi Data
#Histogram
ggplot(data = diamonds, aes(x = price)) +
geom_histogram(fill = "steelblue", color = "white", bins = 30) +
ggtitle("Histogram Sebaran Harga")
 |
| Histogram variabel harga (price) |
Code:
#Scatter Plot
ggplot(data = diamonds, aes(x = carat, y = price, color = clarity)) +
geom_point() +
ggtitle("Scatter Plot Variabel Carat Menurut Harga dan Clarity")
 |
| Scatter plot variabel carat menurut harga (price) dan clarity |
Code:
#Boxplot
ggplot(data = diamonds, aes(x = carat, y = price, color = clarity)) +
geom_boxplot(fill = "steelblue") +
ggtitle("Box Plot Variabel Carat Menurut Harga dan Clarity")
 |
| Box plot variabel carat menurut harga dan clarity |
Code:
#Matriks Korelasi
install.packages("reshape2")
library(reshape2)
corrku <- cor(diamonds[,-c(2:4)])
melt_corr <- melt(corrku)
ggplot(data = melt_corr, aes(x = Var1, y = Var2, fill = value)) +
geom_tile(aes(fill = value), colour = "white") +
scale_fill_gradient(low = "white", high = "steelblue") +
geom_text(aes(Var1, Var2, label = round(value, 2)), size = 5)
 |
| Matriks korelasi antar variabel numerik |
Code:
install.packages("psych")
library(psych)
pairs.panels(diamonds[,-c(2:4)])
 |
| Visualisasi matriks korelasi bentuk lain |
Code:
#Menguji Signifikansi Matriks Korelasi
library(Hmisc)
cortest_m <- rcorr(corrku, type = c("pearson", "spearman"))
meltk_cortest <- melt(cortest_m$P)
ggplot(na.omit(meltk_cortest), aes(x = Var1, y = Var2, fill = value)) +
geom_tile(aes(fill = round(value, 5))) +
scale_fill_gradient(low = "steelblue", high = "white") +
geom_text(aes(Var1, Var2, label = round(value, 10)), size = 2)
 |
| Uji signifikansi matriks korelasi |
Demikian sedikit ulasan kita mengenai Exploratory Data Analysis (EDA) dengan menggunakan R. Ikuti terus unggahan berikutnya. Selamat memahami dan mempraktikkan!