Menguasai Struktur Data dalam Bahasa Pemrograman R

R, bahasa pemrograman statistik populer yang dirancang untuk pengolahan, analisis, dan visualisasi data, dilengkapi dengan beragam struktur data yang dioptimalkan untuk menangani berbagai jenis tugas data secara efektif. Menguasai beragam struktur data R adalah gerbang untuk membuka seluruh potensinya dan mengubah data menjadi wawasan yang meyakinkan.

Saat memulai, pertimbangkan untuk mengikuti kursus Pengenalan Pemrograman R kami, yang memungkinkan Anda mempraktikkan konsep-konsep ini dengan dataset nyata. Mari mulai. 

Apa itu Struktur Data dalam Bahasa R?

Struktur data di R membantu mengorganisasi data untuk analisis. Struktur ini bisa sederhana, hanya menampung satu tipe data, atau kompleks, mendukung beragam tipe data. Struktur data ini disesuaikan dengan kebutuhan spesifik yang muncul selama proyek berbasis data. Struktur data utama di R adalah vektor, list, matriks, array, faktor, dan data frame.

Struktur data di R

Berbagai Jenis Struktur Data di R

Mari luangkan sedikit waktu untuk mengenal struktur data di R. Dalam prosesnya, kita juga bisa mengenal fungsi-fungsi umum R. 

Vektor di R

Vektor adalah bentuk paling sederhana dari struktur data di R. Vektor merupakan kumpulan elemen dengan tipe yang sama, seperti numerik, karakter, atau logika.

R dirancang untuk bekerja baik dengan vektor dan secara khusus dioptimalkan untuk operasi yang disebut operasi tervektorisasi. Artinya, Anda dapat menerapkan sebuah fungsi ke sebuah vektor tanpa perlu melakukan iterasi elemen-elemennya secara eksplisit. Misalnya, menjumlahkan dua vektor akan menjumlahkan elemen yang bersesuaian dengan cara yang lebih cepat dan ringkas daripada melakukannya satu per satu melalui loop.

Di sini kita membuat tiga vektor untuk tipe numerik, karakter, dan logika menggunakan fungsi c().

numeric_vector = c(10, 20, 30)character_vector = c("apple", "banana", "cherry")logical_vector = c(TRUE, FALSE, TRUE)

print(numeric_vector)print(character_vector)print(logical_vector)Didukung oleh

Contoh vektor di R

Anda dapat mengakses elemen vektor menggunakan tanda kurung siku.

# Access the first 
elementprint(numeric_vector[1])

# Access multiple elements
print(character_vector[c(1, 3)])Didukung oleh

Mengakses elemen vektor di R

Anda juga dapat melakukan operasi matematis dan logika dengan vektor.

# Adding a scalar value to the vector
print(numeric_vector + 2)

# Multiplying elements by a scalar
print(numeric_vector * 10)

# Perform logical operations - Check which elements are greater than 15
print(numeric_vector > 15)Didukung oleh

Operasi vektor di R

Operasi penting lainnya termasuk penjumlahan, mencari nilai mean, serta nilai minimum dan maksimum. 

# Summation
print(sum(numeric_vector))

# Mean
print(mean(numeric_vector))

# Max and min
print(max(numeric_vector))
print(min(numeric_vector))Didukung oleh

Keluaran dari fungsi dasar R

Matriks di R

Matriks adalah array dua dimensi yang menyimpan data dengan satu tipe. Matriks sangat berguna untuk komputasi matematis. Di R, Anda dapat membuat matriks menggunakan fungsi matrix().

my_matrix <- matrix(1:9, nrow=3, ncol=3)print(my_matrix)Didukung oleh

Membuat matriks di R

Anda dapat mengakses elemen, baris, kolom, atau subset matriks menggunakan indeks.

# Access the element in the first row and second column 
print(my_matrix[1,2]) 

# Access the second row 
print(my_matrix[2,]) 

# Access the third column 
print(my_matrix[,3])Didukung oleh

Mengakses elemen dalam matriks di R

Anda juga dapat melakukan operasi matematis pada matriks.

another_matrix <- matrix(9:1, nrow=3, ncol=3)

# Element-wise addition
print(my_matrix + another_matrix)

# Element-wise subtraction
print(my_matrix - another_matrix)

# Element-wise multiplication
print(my_matrix * another_matrix)

# Element-wise division
print(my_matrix / another_matrix)Didukung oleh

Operasi matematis pada matriks di R

Array di R

Array adalah perluasan dari matriks dan dapat memiliki lebih dari dua dimensi, menyediakan cara untuk menyimpan data multidimensi secara efisien. Anda dapat membuat array di R menggunakan fungsi array().

Argumen dim = c(2, 2, 2) menetapkan dimensi array. Dalam hal ini, dimensi menunjukkan bahwa array harus memiliki tiga dimensi (array 3D), tersusun sebagai 2 baris, 2 kolom, dan 2 lapisan (atau kedalaman). Keluaran dari kode di atas ditampilkan di bawah. Anda dapat mempelajari lebih lanjut tentang array dalam tutorial Arrays in R kami.

my_array = array(1:8, dim = c(2, 2, 2))
print(my_array)Didukung oleh

Membuat array di R

List di R

List adalah struktur data yang serbaguna di R yang dapat menampung campuran objek dengan tipe dan ukuran berbeda. Anda dapat membuat list menggunakan fungsi list().

my_list <- list(name="DataCamp", year=2024, scores=c(80, 90, 85), active=TRUE)

print(my_list)Didukung oleh

Isi sebuah list di R

Setelah Anda membuat list, Anda dapat mengakses elemennya menggunakan indeks atau nama.

print(my_list[[3]])
print(my_list$name)
print(my_list$scores)Didukung oleh

Mengakses elemen list di R

Faktor di R

Berbeda dengan vektor, matriks, atau list, faktor tidak mendefinisikan struktur penyimpanan data melainkan menggambarkan bagaimana data harus diperlakukan di dalam struktur-struktur tersebut. Jadi, faktor dapat dianggap sebagai tipe data mirip dengan tipe bilangan bulat atau karakter.

Saya memasukkan faktor karena faktor sangat penting untuk menangani data kategorikal dalam ekosistem R, terutama pada skenario yang melibatkan teknik statistik di mana perbedaan antara variabel kategorikal dan kontinu itu signifikan. Ini berbeda dengan Python yang mengharuskan fitur kategorikal dikonversi menjadi numerik melalui dummy atau one-hot encoding. 

Anda dapat membuat faktor menggunakan fungsi factor() seperti di bawah ini:

gender <- factor(c("male", "female", "female", "male"))
print(gender)Didukung oleh

Faktor di R

Faktor juga disimpan sebagai level dan dapat berurutan (ordered) atau tidak berurutan (unordered). 

levels(gender) <- c("Female", "Male") 
print(gender)Didukung oleh

Level faktor di R

Jika Anda ingin melihat distribusi variabel faktor, Anda dapat menggunakan fungsi summary(). Keluaran menunjukkan bahwa masing-masing ada dua entri untuk Female dan Male.

summary(gender)Didukung oleh

Ringkasan di R

Data frame di R

Data frame adalah struktur data yang paling populer dan paling sering digunakan di R. Data frame sangat praktis karena dapat memuat tipe data yang berbeda di kolom yang berbeda. Anda dapat menganggapnya mirip dengan tabel dalam basis data atau file CSV karena menyimpan dan mengelola data dalam format dua dimensi, berbentuk bujur sangkar atau persegi panjang.

Anda dapat membuat data frame dengan perintah data.frame().

data_frame <- data.frame( Names = c("Kiran", "Ajey", "Carol"), Age = c(25, 30, 35), Gender = c("Female", "Male", "Female"))

# Printing the data frame
print(data_frame)Didukung oleh

Sebuah data frame di R

Anda dapat mengakses isi data frame dengan beberapa cara, baik berdasarkan kolom maupun baris.

# Prints all names - use the $ sign 
print(data_frame$Names) 

# Access the first row 
print(data_frame[1, ]) 

# Access the second column 
print(data_frame[, 2])Didukung oleh

Elemen dari data frame di R

Data frame sangat berguna dalam pengolahan dan analisis data karena mendukung berbagai operasi seperti subsetting dan pengurutan, serta menyediakan cara mudah untuk mencetak statistik deskriptif.

Subsetting data frame di R

subset_female <- data_frame[data_frame$Gender == 'Female', ]
print(subset_female)Didukung oleh

Subset dari data frame di R

Mengurutkan data frame di R

# Sorting
data_frame <- data_frame[order(data_frame$Age), ]
print(data_frame)Didukung oleh

Data frame yang telah diurutkan di R

Merangkum data frame di R

# Statistical summary
summary(data_frame)Didukung oleh

Ringkasan deskriptif atau statistik di R

Dari keluaran di atas, Anda dapat melihat betapa mudahnya melakukan operasi pada data frame di R. Saat Anda mendalami analisis data, Anda akan menemukan bahwa data frame sangat fleksibel dan kuat untuk manipulasi, analisis, dan visualisasi data. Jika Anda tertarik mengeksplorasi lebih banyak fungsionalitas, lihat tutorial Data Frames in R kami. 

Melanjutkan dengan R

Tutorial ini telah memberikan wawasan tentang berbagai struktur data di R dan penerapannya dalam situasi analisis data dunia nyata. Menguasai struktur-struktur ini akan meningkatkan keterampilan analitis Anda, memungkinkan Anda mengelola dan menganalisis data secara efektif.

Saat melanjutkan perjalanan, Anda akan menemukan bahwa R adalah bahasa pemrograman yang unik, terkenal karena kapabilitas statistiknya yang tangguh dan pustaka yang luas. Ini adalah investasi berharga bagi siapa pun yang tertarik pada dunia analisis data. 

Untuk lebih banyak tutorial R, silakan lihat tautan berikut:

• Mulai menggunakan R
• Pengenalan R
• Bekerja dengan Data Frame

Jika Anda tertarik untuk belajar lebih lanjut, Anda dapat membaca Pertanyaan & Jawaban Wawancara Pemrograman R kami, yang merupakan sumber yang bagus jika Anda sedang mempersiapkan wawancara atau sekadar belajar. Artikel tersebut menawarkan beragam pertanyaan dan jawaban yang akan membantu Anda mengidentifikasi celah pengetahuan saat Anda melanjutkan perjalanan.