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

Mengubah Nama Variabel dan Nilai Salah Input (Typo) dengan R

Mengubah nama variabel dan mengubah isian data dengan R

Halo teman-teman, maaf ya, baru unggah konten lagi. Tidak terasa kita telah masuk awal 2023, semoga kita tetap sehat dan semakin sukses di tahun ini.

Meneruskan pembahasan sebelumnya mengenai tutorial analisis data dengan menggunakan R. Kali ini kita akan mencoba praktikum dengan R dengan bahasan yang renyah-renyah, yakni bagaimana cara mengubah nama variabel dalam sebuah dataframe dan bagaimana pula cara melakukan validasi isian data yang salah ketik (typo) atau salah entri (input).

Kita kerapkali menemui sebuah data yang nama kolomnya panjang-panjang, misalkan pengeluaran per kapita per bulan yang disesuaikan, Produk Domestik Regional Bruto per Kapita, atau Indeks Pembangunan Manusia, atau lainnya. Selain itu, kita mungkin pernah menemui nama variabel dalam data dengan nama yang kurang pas karena tidak sesuai dengan isiannya, misalkan nama variabelnya Pengeluaran, namun isi datanya justru Pengeluaran per Kapita, atau kejadian lain misalkan salah entri data, semestinya diketik 70, malah kurang 0 menjadi 7 saja.

Situasi seperti ini masih bisa kita handle untuk data-data berdimensi kecil. Namun, tidak untuk data-data yang berdimensi besar, apalagi Big Data. Untuk itu, kita perlu memahami bagaimana cara mengubah nama dan isian dalam data menggunakan paket program, dalam kasus ini kita menggunakan R. Adapun data yang kita digunakan dalam praktikum kali ini dapat diunduh di link berikut. Setelah datanya diunduh, berikut tahapan melakukan preprocessing data untuk mengubah nama variabel dan isian data menggunakan R.

#Mengimport Data Excel
library(readxl)
dataku <- read_excel("C://Users//56848//Documents//uts.xlsx")
dataku
## # A tibble: 10 x 4
##    A      Math Chemistry Physics
##    <chr> <dbl>     <dbl>   <dbl>
##  1 Ahmad    80        77       7
##  2 Badu      7        67     100
##  3 Sirly    50        78      88
##  4 Jery     60        89      87
##  5 Fahmi    77        67      98
##  6 Sinta    76        87      77
##  7 Rena     87         7      68
##  8 Kyubi    90        56      79
##  9 Doni     87        98      74
## 10 Vita     67       100      71
#Ringkasan Data
summary(dataku)
##       A                  Math         Chemistry        Physics      
##  Length:10          Min.   : 7.00   Min.   :  7.0   Min.   :  7.00  
##  Class :character   1st Qu.:61.75   1st Qu.: 67.0   1st Qu.: 71.75  
##  Mode  :character   Median :76.50   Median : 77.5   Median : 78.00  
##                     Mean   :68.10   Mean   : 72.6   Mean   : 74.90  
##                     3rd Qu.:85.25   3rd Qu.: 88.5   3rd Qu.: 87.75  
##                     Max.   :90.00   Max.   :100.0   Max.   :100.00
#Mengubah Nama Variabel A menjadi "Nama Siswa"
names(dataku)[names(dataku) == "A"] <- "Nama Siswa"
dataku
## # A tibble: 10 x 4
##    `Nama Siswa`  Math Chemistry Physics
##    <chr>        <dbl>     <dbl>   <dbl>
##  1 Ahmad           80        77       7
##  2 Badu             7        67     100
##  3 Sirly           50        78      88
##  4 Jery            60        89      87
##  5 Fahmi           77        67      98
##  6 Sinta           76        87      77
##  7 Rena            87         7      68
##  8 Kyubi           90        56      79
##  9 Doni            87        98      74
## 10 Vita            67       100      71
#Mengubah Beberapa Nama Variabel dataframe
names(dataku) <- c("Nama Siswa", "Matematika", "Kimia", "Fisika")
dataku
## # A tibble: 10 x 4
##    `Nama Siswa` Matematika Kimia Fisika
##    <chr>             <dbl> <dbl>  <dbl>
##  1 Ahmad                80    77      7
##  2 Badu                  7    67    100
##  3 Sirly                50    78     88
##  4 Jery                 60    89     87
##  5 Fahmi                77    67     98
##  6 Sinta                76    87     77
##  7 Rena                 87     7     68
##  8 Kyubi                90    56     79
##  9 Doni                 87    98     74
## 10 Vita                 67   100     71
#Mengubah Isian yang typo (validasi), nilai 7 seharusnya 70
dataku[dataku == 7] <- 70
dataku
## # A tibble: 10 x 4
##    `Nama Siswa` Matematika Kimia Fisika
##    <chr>             <dbl> <dbl>  <dbl>
##  1 Ahmad                80    77     70
##  2 Badu                 70    67    100
##  3 Sirly                50    78     88
##  4 Jery                 60    89     87
##  5 Fahmi                77    67     98
##  6 Sinta                76    87     77
##  7 Rena                 87    70     68
##  8 Kyubi                90    56     79
##  9 Doni                 87    98     74
## 10 Vita                 67   100     71
#Mengubah Isian kolom ke-3 yang nilainya 71 menjadi 74
dataku["Fisika"][dataku["Fisika"] == 71] <- 74
dataku
## # A tibble: 10 x 4
##    `Nama Siswa` Matematika Kimia Fisika
##    <chr>             <dbl> <dbl>  <dbl>
##  1 Ahmad                80    77     70
##  2 Badu                 70    67    100
##  3 Sirly                50    78     88
##  4 Jery                 60    89     87
##  5 Fahmi                77    67     98
##  6 Sinta                76    87     77
##  7 Rena                 87    70     68
##  8 Kyubi                90    56     79
##  9 Doni                 87    98     74
## 10 Vita                 67   100     74

Demikian sedikit sharing kita kali ini, jangan lupa untuk kembali memantau setiap unggahan terbaru dan menarik lainnya dalam blog sederhana ini. Jangan lupa komentar bila ada pertanyaan atau error, atau mau bertanya seputar aplikasi R dan Python dalam kolom komentar. Selamat membaca dan mempraktikkan!

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

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

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