Langsung ke konten utama

Exploratory Data Analysis (EDA) dengan R

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")

Hasil:

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")

Hasil:
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")

Hasil:

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)

Hasil:

Matriks korelasi antar variabel numerik

Code:

install.packages("psych")
library(psych)
pairs.panels(diamonds[,-c(2:4)])

Hasil:

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)

Hasil:

Uji signifikansi matriks korelasi

Demikian sedikit ulasan kita mengenai Exploratory Data Analysis (EDA) dengan menggunakan R. Ikuti terus unggahan berikutnya. Selamat memahami dan 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...