Langsung ke konten utama

Parsing Data (Teks) Menjadi Serial ID dan Datetime dengan Regular Expression (Regex) R

Parsing teks menjadi Serial ID dan datetime dengan Regular Expression (Regex) R

Jumpa lagi teman-teman pembaca dan penyimak setia. Sepertinya, agak lama blog ini belum saya isi artikel. Kali ini kita akan coba belajar bersama bagaimana melakukan parsing dengan memanfaatkan bahasa pemrograman R.

Mungkin sebagian dari kita ada yang telah paham mengenai istilah parsing. Parsing adalah suatu aktivitas memecah atau membagi-bagi sesuatu menjadi beberapa bagian atau terpisah-pisah. Dalam dunia data science, data mining, dan big data, ada istilah parsing data.

Parsing data merupakan aktivitas mengubah suatu format dari sebuah data menjadi data dengan format yang baru, baik bentuknya atau formatnya. Sebagai contoh kasus, misalkan kita ingin memecah suatu data teks Nomor Induk Siswa (NIS) dari format "1991122825" menjadi "1991-11-28-25", atau dalam kasus yang kita angkat kali ini, yakni dari teks nomor id kejadian bencana yang terjadi di suatu wilayah tertentu, misalnya "3514106202307181" menjadi "2023-07-18" atau biasa diistilahkan datetime.

Pada dasarnya, dalam proses parsing kasus seperti ini, teman-teman bisa mempelajari sejumlah unggahan artikel sebelumnya ([1], [2], [3], [4], [5]). Intinya, kita perlu mempelajari bagaimana ilmu mengekstraksi teks menggunakan regular expression (regex).

Dalam praktiknya menggunakan R, penerapan regex sendiri bisa dilakukan dengan fungsi gsub(), str_extract() dan sebagainya. Namun dalam praktik kali ini, kita akan mencoba memakai kedua fungsi tersebut untuk mengubah dari data teks nomor id menjadi datetime. Untuk lebih mudahnya, langkah-langkah parsing teks menjadi datetime adalah sebagai berikut:


# Import data dari excel
library(readxl)
dataku <- read_excel("C:/Users/Joko Ade/Downloads/id_kejadian.xlsx")

# Sekilas melihat data
dataku
## # A tibble: 4 x 1
##   kib             
##   <chr>           
## 1 3514106202307181
## 2 3513102202301141
## 3 3525101202212012
## 4 3512999202207181
# Melihat tipe dataku
str(dataku)
## tibble [4 x 1] (S3: tbl_df/tbl/data.frame)
##  $ kib: chr [1:4] "3514106202307181" "3513102202301141" "3525101202212012" "3512999202207181"
# Melakukan ekstraksi variabel kib dari karakter angka
# menjadi id serial yang menunjukkan kode wilayah-kode desa-tahun-bulan-tanggal-indeks
# kode wilayah 4 digit
# kode desa 3 digit
# kode tahun 4 digit
# kode bulan 2 digit
dataku$kib <- lapply(dataku$kib, function(x) gsub("(^\\d{4})(\\d{3})(\\d{4})(\\d{2})(\\d{2})(\\d{1})", "\\1-\\2-\\3-\\4-\\5", x))

# Mengubah list menjadi unlist
dataku$kib <- unlist(dataku$kib)

# Melihat hasilnya
dataku
## # A tibble: 4 x 1
##   kib                
##   <chr>              
## 1 3514-106-2023-07-18
## 2 3513-102-2023-01-14
## 3 3525-101-2022-12-01
## 4 3512-999-2022-07-18
# Memperoleh informasi waktu, yakni tahun-bulan-tanggal
library(stringr)
library(dplyr)
dataku %>%
  mutate(time = str_extract_all(kib, "20\\d{2}.*")) -> dataku2

# unlist
dataku2$time <- unlist(dataku2$time)

#Melihat hasil
dataku2
## # A tibble: 4 x 2
##   kib                 time      
##   <chr>               <chr>     
## 1 3514-106-2023-07-18 2023-07-18
## 2 3513-102-2023-01-14 2023-01-14
## 3 3525-101-2022-12-01 2022-12-01
## 4 3512-999-2022-07-18 2022-07-18
# Mengubah format tanggal
library(lubridate)
dataku2$time <- as.Date(ymd(dataku2$time))
dataku2$time <- as.Date(dataku2$time, format = c("%Y/%m/%d"))

# Melihat hasilnya
dataku2
## # A tibble: 4 x 2
##   kib                 time      
##   <chr>               <date>    
## 1 3514-106-2023-07-18 2023-07-18
## 2 3513-102-2023-01-14 2023-01-14
## 3 3525-101-2022-12-01 2022-12-01
## 4 3512-999-2022-07-18 2022-07-18

Demikian sedikit sharing kita kali ini, semoga meski sedikit, setidaknya bisa menambah pengetahuan sekaligus pengalaman berharga dan berguna bagi teman-teman. Selamat membaca, memahami, dan mempraktikan!

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...