Mencoba Azure Machine Learning

Prediksi harga harga mobil dari berbagai merk, rational atau tidak.

1.Data preparation
1.1. Data bisa diambil dari dataset Azure Machine Learning
1.2. Data dari luar dataset Azure Machine Learning

2. Menggunakan Machine Learning dari Azure Machine Learning
2.1. Upload data ke dataset Azure Machine Learning
2.2. Data preparation, cleansing dll.
2.3. Split data, data dibagi dua, train data dan test data
2.4. Gunakan Machine larning, pilih linear regression
2.5. Gunakan modul Train model
2.6. Hubungkan Train model dengan modul Linear Regression
2.7. Hubungkan juga Train Model dengan Split Data
2.8. Gunakan Modul Score
2.9. Hubungkan Train modul dengan Score Modul
2.10. Hubungkan pula Score Modul dengan Split Data
2.11. Klik tombol Run, tunggu sebentar
2.12. Klik tomol bawah Score Modul, pilih Visualised
2. 13.Terlihat data Score Lable, bandingkan dengan Aktual price

3. Upload di Web 
3.1. Buka set up Web Service
3.2. Test Web Servise

4. Kesimpulan
4.1. Dengan Test Web Servise, akan terlihat apakah harga mobil tsb rational atau tidak
4.2. Dengan menggunakan Azure Machine Learning, tidak perlu membuat koding.
4.3. Sekarang Microsoft Azure , menyediakan free account hampir 10GB, dengan 100 modul/experiment, bandinkan jika menggunakan AWS(Amazone Web Servisce) akan kena charge/jam.

Referensi:

https://gallery.azure.ai/Experiment/Prediction-car-price-on-1-21-2019-Predictive-Exp

Belajar yang mana dulu, R,Python atau SAS?

Belajar yang mana dulu, R, Python atau SAS?

Jika anda baru mengenal dunia Data Science (ilmu data) dan tidak berpengalaman dalam salah satu dari bahasa ini, masuk akal untuk tidak yakin apakah anda akan belajar R, Python, atau SAS.

Jangan khawatir, pada saat anda selesai membaca artikel ini, anda akan tahu tanpa ragu bahasa mana yang tepat untuk anda.

Overview

R - R identik dengan statistik dan matematik. R adalah bahasa pemrograman open source alias gratis yang digunakan untuk melakukan tugas analisis data tingkat advance, library yang melimpah, berkembang terus, didukung banyak komunitas yang berkontribusi memperkaya library.

Python – Python adalah bahasa pemrograman gratis dan open source yang telah menjadi sangat populer bagi programmer dan ilmu data, punya  komunitasnya yang aktif dan  data mining libraries yang memadai.

SAS - SAS menjadi pemimpin pasar terpakai dalam analitik perusahaan. SAS menawarkan berbagai fungsi statistik, memiliki GUI yang baik bagi orang untuk belajar dengan cepat dan memberikan dukungan teknis yang brilian.

Jika anda mencari untuk memulai karir di bidang Data Science atau untuk mendapatkan keterampilan untuk dapat beralih ke bidang ini di masa depan. Maka anda mungkin sedang melakukan penelitian yang mana dari tiga bahasa pemrograman ini anda harus belajar terlebih dahulu untuk memaksimalkan peluang anda mendapatkan pekerjaan impian anda. Haruskah anda fokus pada penguasaan R? Atau akan lebih baik untuk menjadikan SAS prioritas? Atau harus belajar Python?

Lihat  5 faktor ini sebagai titik awal anda untuk membantu anda memutuskan.

1.     Industri menggunakan tools ini

Burtch Works, Lembaga yang bergerak di bidang SDM, bertanya kepada lebih dari 1000 profesional  mana yang mereka sukai, SAS, R atau Python. Berikut adalah hasil survei:

SAS lebih disukai oleh perusahaan-perusahaan besar karena mereka mendapatkan layanan istimewa,  dimana biaya tidak masala bagi mereka.

R dan Python, di sisi lain, digunakan oleh Startups dan perusahaan menengah. Perusahaan Tech dan Telecom membutuhkan dengan volume besar data yang tidak terstruktur untuk dianalisa, dan karenanya para ilmuwan data menggunakan teknik Machine Learning(pembelajaran mesin), dimana hal tersebut lebih cocok untuk R dan Python.

2.     Biaya dan kemudahan belajar

SAS adalah perangkat lunak komersial yang mahal dan sebagian besar digunakan oleh perusahaan besar dengan anggaran besar.

Python dan R adalah perangkat gratis yang dapat diunduh oleh siapa saja.

Untuk menganalisis data dalam Python, anda akan menggunakan library  seperti Pandas, Numpy, dan Scipy.

Dengan kata lain, 

Anda tidak akan mendapatkan kode dalam bahasa Python asli saat menganalisis data.

Kode yanga anda tulis di library ini terlihat lebih mirip dengan kode yang anda tulis di dalam R.

Jadi, jangan pikirkan  R itu sulit, dan Python mudah dipelajari!

3. Data Science capabilities

SAS sangat efisien pada akses data sekuensial, dan akses database melalui SQL terintegrasi dengan baik. Antarmuka drag-and-drop memudahkan anda untuk membuat model statistik yang lebih baik dengan cepat. Ini memiliki kemampuan grafis fungsional yang layak, tetapi sulit untuk membuat plot grafis yang kompleks di SAS.

R dikenal untuk analitik dalam memori dan terutama digunakan ketika tugas analisis data memerlukan server mandiri. R adalah alat yang sangat baik untuk menjelajahi data. Saat ini, R memiliki lebih dari 5000 paket kontribusi komunitas CRAN. 

Berbagai paket dan modul yang tersedia untuk statistik dan analisis data menjadikannya bahasa yang paling populer dan kuat dalam ilmu data. Model statistik dapat ditulis dalam beberapa baris kode.

Anda dapat menggambar grafik rumit dengan indah di R menggunakan paket seperti Ggplot2, kisi, rCharts, dll.

Pustaka python seperti Pandas, Numpy, Scipy dan Scikit-learn menjadikannya bahasa pemrograman paling populer kedua dalam ilmu data setelah R.

Anda juga dapat membuat bagan dan grafik yang indah menggunakan pustaka seperti Matlplotlib dan Seaborn.

Python secara aktif digunakan oleh komunitas pembelajaran mesin untuk memo dan menganalisis data yang tidak terstruktur dari web.

R lebih mudah dan intuitif untuk dipelajari dan digunakan untuk analisis dan manipulasi data.Umumnya hasil riset terbaru selalu diimplementasikan di bahasa pemrogramman R. R nyaris bisa digunakan untuk apa saja: mulai dari bisnis, membuat web sampai robotik, dan science tentunya.

Belajar R tidak perlu menggunakan atau mempelajari HTML, CSS dan javascript! Dengan menggunakan package Shiny, kita bisa membuat web hanya dengan menggunakan bahasa pemrograman R, baik untuk layoutsampai business logic. Anda bisa melihat contoh aplikasi web yang dibuat dengan shiny pada situs berikut.
“Tapi kan Shiny terbatas tampilannya cuman gitu-gitu doang, sedangkan kalau ngoding pakai python kita bisa bikin tampilan lebih dinamis…”

Dengan  OpenCPU and Plumber ,kita bisa membangun aplikasi web dengan memanfaatkan kemampuan R.

Dengan menggunakan Plumber kita bisa membuat RESTAPI.

Dengan bantuan ROS (Robotic Operating Systems), R dapat digunakan untuk melakukan pemrograman robotik.

Bahkan dengan R kita bisa membuat labirin untuk game Minecraft.

4.Community Support

SAS memiliki komunitas online aktif yang dimoderatori oleh manajer komunitas. Komunitas-komunitas ini telah berkembang dari forum peer to peer menjadi platform penerbitan untuk konten penting.

Anda dapat menanyakan pertanyaan terkait SAS, dan komunitas akan menjawabnya. Blog resmi SAS juga merupakan sumber penting untuk merujuk ketika anda membutuhkan bantuan dengan masalah tertentu.

R memiliki 125 grup pengguna aktif di seluruh dunia, dan jumlah pertemuan grup pengguna telah meningkat dengan jumlah yang signifikan pada tahun lalu. Python memiliki 1.657 grup pengguna, komunitasnya sangat fokus pada data, jauh lebih sedikit jika dibandingkan dengan R.

R dan Python memiliki dukungan komunitas online yang sangat besar dari aliran Stackover, milis, kode kontribusi pengguna dan dokumentasi.

SAS sama sekali tidak memiliki komunitas open source yang aktif.

5.Job Scenario

SAS memiliki lebih dari 80.000 pelanggan di seluruh dunia, dan kebanyakan dari mereka adalah korporasi dengan anggaran besar. Analis dalam organisasi ini menggunakan SAS untuk dengan cepat dan efisien menjalankan berbagai model statistik pada set data.

Di sisi lain, R dan Python digunakan oleh startup dan perusahaan teknologi. R lebih condong ke tugas-tugas yang berkaitan dengan statistik dan analisis data karena yang pekerjaannya terkait R menyebutkan seperti "Penambang data-Data Miner", " Statistician",  “Manager Data Analyst", "Data Scientist",dll.

Pelajari pemrograman R dari yang berpengalaman.

Sementara itu, mengingat booming dalam Big Data - yang diproyeksikan oleh Ovum akan tumbuh 50 persen pada beberapa tahun mendatang  - Anda dapat mengharapkan peningkatan jumlah analist bisnis dan program er lainnya untuk mempersenjatai diri dengan bahasa R juga.

Sedangkan, Python digunakan oleh programmer yang ingin mempelajari analisa data atau menerapkan teknik statistik, dan oleh developer yang beralih ke Data Science. Pekerjaan yang berhubungan dengan Python memiliki sebutan  seperti "Machine Learning Engineer", "Data Engineer", "Big Data Architek", dll.

Kesimpulan

Jika tujuan anda adalah menjadi seorang profesional analitik bisnis dan anda berencana untuk bergabung dengan startup, maka anda harus belajar R terlebih dahulu.

Di sisi lain, jika anda ingin bergabung dengan bank atau perusahaan farmasi, Anda harus mulai dengan SAS dan kemudian belajar R setelah anda merasa nyaman dengan SAS.

Jika anda ingin menjadi profesional Big Data, maka anda perlu mempelajari R atau Python.

Ini tergantung pada latar belakang anda juga. 

Jika anda berasal dari latar belakang statistik / matematika maka anda harus belajar R, Jika anda memiliki latar belakang pemrograman, maka anda harus belajar Python.

Jika anda belum punya dasar apapun tentang computer, tapi punya niat yang kuat untuk bersaing dimasa depan, R programming  tidak salah pilihannya. Semua orang yang pernah bersekolah, tentu pernah mendapat pelajaran Matematika dan Statistik.

Referensi:

Bahan dirangkum dan diterjemahkan dari berbagai sumber.

Login dalam aplikasi shiny

Apa itu Shiny dashboard? Bagaimana membuat login di Aplikasi Shiny?

Login Page

Salah satu keunggulan yang dimiliki R adalah Shiny(Python tidak memiliki). Shiny adalah paket R yang membuatnya mudah untuk membangun aplikasi web interaktif langsung dari R. Dasbor sangat populer karena  bagus  dalam membantu bisnis menampilkan  insights out (wawasan), dari data yang ada.

require(shiny)
require(shinydashboard)

header <- dashboardHeader(title = "my heading")
sidebar <- dashboardSidebar(uiOutput("sidebarpanel"))
body <- dashboardBody(uiOutput("body"))

server <- function(input, output, session) {
  # To logout back to login page
  login.page = paste(
    isolate(session$clientData$url_protocol),
    "//",
    isolate(session$clientData$url_hostname),
    ":",
    isolate(session$clientData$url_port),
    sep = ""
  )
  histdata <- rnorm(500)
  USER <- reactiveValues(Logged = F)
  observe({
    if (USER$Logged == FALSE) {
      if (!is.null(input$Login)) {
        if (input$Login > 0) {
          Username <- isolate(input$userName)
          Password <- isolate(input$passwd)
          Id.username <- which(login_details$user %in% Username)
          Id.password <- which(login_details$pswd %in% Password)
          if (length(Id.username) > 0 & length(Id.password) > 0){
            if (Id.username == Id.password) {
              USER$Logged <- TRUE
            }
          }
        }
      }
    }
  })
  output$sidebarpanel <- renderUI({
    if (USER$Logged == TRUE) {
      div(
        sidebarUserPanel(
          isolate(input$userName),
          subtitle = a(icon("usr"), "Logout", href = login.page)
        ),
        selectInput(
          "in_var",
          "myvar",
          multiple = FALSE,
          choices = c("option 1", "option 2")
        ),
        sidebarMenu(
          menuItem(
            "Item 1",
            tabName = "t_item1",
            icon = icon("line-chart")
          ),
          menuItem("Item 2",
                   tabName = "t_item2",
                   icon = icon("dollar"))
        )
      )
    }
  })

  output$body <- renderUI({
    if (USER$Logged == TRUE) {
      tabItems(
        # First tab content
        tabItem(tabName = "t_item1",
                fluidRow(
                  output$plot1 <- renderPlot({
                    data <- histdata[seq_len(input$slider)]
                    hist(data)
                  }, height = 300, width = 300) ,
                  box(
                    title = "Controls",
                    sliderInput("slider", "observations:", 1, 100, 50)
                  )
                )),

        # Second tab content
        tabItem(
          tabName = "t_item2",
          fluidRow(
            output$table1 <- renderDataTable({
              iris
            }),
            box(
              title = "Controls",
              sliderInput("slider", "observations:", 1, 100, 50)
            )
          )
        )
      )
    } else {
      login
    }
  })
}

Dasbor R Shiny canggih membutuhkan otentikasi pengguna. Saya ingin berbagi dengan Anda bagaimana kami menerapkan manajemen pengguna - akun pengguna, proses otorisasi dan mengumpulkan statistik penggunaan untuk memiliki pemahaman yang lebih baik tentang bagaimana penggunaan aplikasi R Shiny.

require(shiny)
require(shinydashboard)

ui <- dashboardPage(header, sidebar, body)
#server.r

login_details <- data.frame(user = c("sam", "pam", "ron", "jon", "cyn"),
                            pswd = c("111", "222", "333", "444", "555"))
login <- box(
  title = "Login",
  textInput("userName", "Username"),
  passwordInput("passwd", "Password"),
  br(),
  actionButton("Login", "Log in")
)

Ini adalah demo sederhana dengan pengguna yang ditentukan dalam daftar. Dalam skenario dunia nyata, Anda akan menyimpan kredensial pengguna di database atau mengotentikasi pengguna dengan API eksternal. Ini juga tercakup dalam pengguna Shiny application.

Referensi:
Shiny R Studio
Stack overflow

Grafik dalam hitungan detik

Hanya dalam hitungan detik , dengan coding R programming  dibawah ini :

library(ggplot2)

ggplot(diamonds, aes(x=carat, y=price, color=cut)) + geom_point() + geom_smooth()

Grafik ggplot

Anda langsung bisa melihat hasilnya. Dengan begitu anda bisa mengambil kesimpulan, apa yang harus anda/manajemen/owner lakukan. 

Ini yang disebut belajar data science dengan R Programming.

Deskripsi data

Dataset berisi 54.000 daftar harga berlian

diamonds dataset

Dim(diamonds) terdiri dari 53940 baris dan 10 variabel/kolom

Variable:

Price  :harga dalam dolar AS (\ $ 326 - \ $ 18.823)

Carat  :berat berlian (0,2-5,01)

Cut     :kualitas potongan (Fair/wajar, Good, SVery Good, Premium, Ideal)

Color  :warna berlian, dari J (terburuk) ke D (terbaik)

clarity:berlian jernih adalah ukuran

Link
 https://bambangpe.shinyapps.io/kursus-r2/
https://www.facebook.com/bambang.peryanto

Transaksi mie instant meningkat menjelang tanggal tua.

Transaksi mie instant  meningkat menjelang tanggal tua.

Tampilan dashboard shiny

Teringat masa kuliah, ketika menjelang tanggal tua uang saku menipis kira kira menu apa yang akan kita santap untuk mengisi perut. Sudah menjadi rahasia umum bagi mahasiswa perantauan saat itu, ya apalagi kalau bukan mie instant. Kebiasaan ini ternyata masih berlanjut, padahal kebanyakan makan mi instan itu kan tidak sehat.  Simpel saja sih alasannya daripada perut lapar kan tidak bisa belajar.

Fenomena tersebut yang mengusik pikiran saya untuk meyakinkan apakah benar pada tanggal tua transaksi mie instan meningkat. Untuk menjawab  hal tersebut saya mencoba menganalisa data transaksi dari sebuah minimarket di sekitar kampus.

Contoh R coding sederhana

Belajar bahasa R tidak susah, bahkan bagi yang belum punya dasar komputer programming. Bahasa R memang dirancang untuk analisa statistik dan matematik. Tentu semua orang yang pernah bersekolah pasti pernah mendapakan pelajaran, matematika dan statistik.

Belajar Bahasa Programming, tidak seperti belajar Bahasa Inggris, bicara Bahasa Inggris kurang sedikit masih bisa dimengerti, tapi bahasa programing, kurang titik saja tidak akan keluar hasilnya. Memulai belajar coding sejak dini banyak manfaatnya, disamping melatih logika, bahasa programming banyak memakai syntax/perintah yang harus dihafalkan.


Di bawah akan diberikan beberapa contoh dasar coding R programming.

Logo Rstudio

a <- 42

A <- a * 2  # R is case sensitive

print(a)

cat(A, "\n") # "84" is concatenated with "\n"

if(A>a) # true, 84 > 42

{

  cat(A, ">", a, "\n")

}

[1] 42

84

84 > 42

#Fungsi

Square <- function(x) {

  return(x^2)

}

print(Square(4))

print(Square(x=4)) # same thing

[1] 16

[1] 16

#---Coundown

countdown <- function(from)
{
  print(from)
  while(from!=0)
  {
    Sys.sleep(1)
    from <- from - 1
    print(from)
  }
}

countdown(5)

> countdown(5)
[1] 5
[1] 4
[1] 3
[1] 2
[1] 1
[1] 0

#---Readline funsi

readinteger <- function()
{ 
  n <- readline(prompt="Enter an integer: ")
  n <- as.integer(n)
  if (is.na(n)){
    n <- readinteger()
  }
  return(n)
}

print(readinteger())
 
Enter an integer: 
Enter an integer: boo
Enter an integer: 44
[1] 44
Warning message:
In readinteger() : NAs introduced by coercion
#---List
sum(0:9)
append(LETTERS[1:13],letters[14:26])
c(1,6,4,9)*2
something <- c(1,4,letters[2])  # indices start at one, you get (1,4,"b")
length(something)

sum(0:9)
[1] 45
> append(LETTERS[1:13],letters[14:26])
 [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "n" "o"
[16] "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
> c(1,6,4,9)*2
[1]  2 12  8 18
> something <- c(1,4,letters[2]) #indices start at one, you get (1,4,"b")
> length(something)
[1] 3
#---Baca data


tbl <- read.table(file.choose(),header=TRUE,sep=",")
population <- tbl["POPESTIMATE2009"]
print(summary(population[-1:-5,]))

    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
  544300  1734000  4141000  5980000  6613000 36960000 
#Filtering data
tbl <- read.table(file.choose(),header=TRUE,sep=',')
population <- tbl[c("NAME","POPESTIMATE2009","NPOPCHG_2009")]
smallest.state.pop <- min(population$POPESTIMATE2009)
print(population[population$POPESTIMATE2009==smallest.state.pop,])

      NAME POPESTIMATE2009 NPOPCHG_2009
56 Wyoming          544270        11289

Beberapa contoh sumber data yang bisa dipakai buat latihan, sudah ada beberapa dataset yang sudah embed dengan R sendiri, juga tersedia di blog seperti data.gov,data.un.orghttp://data.un.org/ dsb

mtcars

                   mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

iris
    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1            5.1         3.5          1.4         0.2     setosa
2            4.9         3.0          1.4         0.2     setosa
3            4.7         3.2          1.3         0.2     setosa
4            4.6         3.1          1.5         0.2     setosa
5            5.0         3.6          1.4         0.2     setosa
6            5.4         3.9          1.7         0.4     setosa
7            4.6         3.4          1.4         0.3     setosa

library(MASS)

 Boston
        crim    zn indus chas    nox    rm   age     dis rad tax ptratio  black lstat medv
1    0.00632  18.0  2.31    0 0.5380 6.575  65.2  4.0900   1 296    15.3 396.90  4.98 24.0
2    0.02731   0.0  7.07    0 0.4690 6.421  78.9  4.9671   2 242    17.8 396.90  9.14 21.6
3    0.02729   0.0  7.07    0 0.4690 7.185  61.1  4.9671   2 242    17.8 392.83  4.03 34.7
4    0.03237   0.0  2.18    0 0.4580 6.998  45.8  6.0622   3 222    18.7 394.63  2.94 33.4
5    0.06905   0.0  2.18    0 0.4580 7.147  54.2  6.0622   3 222    18.7 396.90  5.33 36.2
6    0.02985   0.0  2.18    0 0.4580 6.430  58.7  6.0622   3 222    18.7 394.12  5.21 28.7
7    0.08829  12.5  7.87    0 0.5240 6.012  66.6  5.5605   5 311    15.2 395.60 12.43 22.9

Contoh di atas hanya beberapa saja, sebagai gambaran bahwa belajar Bahasa R sangat mudah, gratis, dan tersedia banyak sumber data. Bila ada kesulitan bisa gabung di Komunitas Stack overflow.
Referensi:
Rstudio
Stackoverflow
Github

R programming itu mudah.

R programming itu mudah.

Memulai bahasa R tidak bisa lepas dari Statistik, karena awalnya bahasa R dipakai untuk mengolah data statistik dan science, seiring perjalannanya bahasa R berkembang sangat pesat, dan sangat dibutuhkan untuk mengolah data dalam kehidupan nyata.

Install R studio bisa di sini.

Sebelum melangkah ke bahasa R itu sendiri, kita perlu mengerti istilah dasar statistik sbb:

STATISTIKA adalah kumpulan metoda yang digunakan untuk merencanakan eksperimen, mengambil data, dan kemudian menyusun, meringkas, menyajikan, menganalisa, menginterpretasikan dan mengambil kesimpulan yang didasarkan pada data tersebut.

1.STATISTIK DESKRIPTIV yaitu berkaitan dengan kegiatan pencatatan dan peringkasan hasil-hasil pengamatan terhadap kejadian-kejadian atau karakteristik-karakteristik
manusia, tempat dan sebagainya, secara kuantitatif

2.STATISTIK IFERENSIAL yaitu metode-metode untuk menganalisis sampel dari populasi sehingga dapat ditarik kesimpulan tentang populasi dari sampel tersebut.

3. POPULASI  adalah keseluruhan objek psikologis yang menjadi perhatian.
Contoh Jumlah Jumlah penduduk Indonesia saat ini 260jt jiwa

4.SAMPLE adalah himpunan bagian dari populasi.
Contoh, diambil sample random sejumlah 30% dari 260jt, 30%X260jt

5.DATA adalah hasil observasi atau pengamatan yang telah dikumpulan. Data dapat berupa hasil pengukuran; misalnya data tinggi dan berat badan, hasil pengelompokan; misalnya jenis kelamin, hasil jawaban responden terhadap suatu quesioner; misalnya tingkat kepuasan.

6.POPULASI adalah koleksi lengkap semua elemen yang akan diselidiki.  Suatu koleksi dikatakan lengkap jika ia memuat semua subjek yang akan diselidiki.

7.SENSUS adalah koleksi data dari semua anggota dalam populasi.

8.STATISTIKA DESKRIPTIF  adalah statistika yang berkaitan dengan analisis dan deskripsi suatu grup sebagai populasinya, tanpa melakukan penarikan kesimpulan apapun untuk komunitas yang lebih luas dari grup tersebut.

9.STATISTIKA INFERENSI  adalah statistika yang mencoba untuk membuat suatu deduksi atau kesimpulan pada populasi dengan menggunakan sampel dari populasi tersebut.

10.PARAMETER  adalah sembarang nilai yang menjelaskan ciri populasi

11. HIMPUNAN DATA adalah kumpulan dari fakta yang dikumpulkan untuk maksudtertentu.
12. DATA DISKRIT : data yang diperoleh dari proses hitungan
13. DATA KONTINYU : data yang diperoleh dari proses pengukuran
14. VARIABELl : sebuah karakteristik yang dapat diperoleh dari berbagai kemungkinan hasil yang berbeda-beda.
15. VARIABEL KUANTITATIV: variabel yang hasilnya berupa angka
16. VARIABEL KUALITATIV : variabel yang hasilnya hanya atribut.

17. OBSERVASI : informasi tentang sebuah variabel tunggal untuk sebuah anggota dari sekumpulan data

Istilah diatas bagi yang pernah belajar di SMA  baik IPA/ IPS pasti sudah tahu. Jadi kapan lagi mencoba bahasa R.

Saya akan berikan contoh script R sbb:

library(dplyr) #untuk perhitungan

library(ggplot2) #plot grafik

#Baca data dari hardisk

data_awal <- read.csv("d:/bahan-blog/spm3.csv")

#Dimensi data

dim(data_awal)

1] 5479   10

Jumlah baris 5479, kolom 10

#spm3.csv, adalah data retail excel yang yang disimpan dalam hardisk, yang memuat jumlah penjualan dalam format csv, di simpan dalam hardisk local d:/bahan-blog

#Baca isi data

head(data_awal)

  year month date_of_month day_of_week mieinstant rokok  kopi  aqua    roti  susu

1          2000     1             1           6                      9083 1290 1000    900   800    700

2          2000     1             2           7                      8006 1300 1300  1200   900    900

3          2000     1             3           1                    13032 1000 1000  1000 1000    950

4          2000     1             4           2                    12558   900   900    900   700    700

5          2000     1             5           3                    10889   200   100    100   100    100

6          2000     1             6           4                      9887   500   500    500   500    500

#baca variable data

str(data_awal)

'data.frame':    5479 obs. of  10 variables:

 $ year                 : int  2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 ...

 $ month              : int  1 1 1 1 1 1 1 1 1 1 ...

 $ date_of_month: int  1 2 3 4 5 6 7 8 9 10 ...

 $ day_of_week   : int  6 7 1 2 3 4 5 6 7 1 ...

 $ mieinstant        : int  9083 8006 13032 12558 10889 9887 8777 8934 7949 13042 ...

 $ rokok                : int  1290 1300 1000 900 200 500 1200 1000 1300 300 ...

 $ kopi                  : int  1000 1300 1000 900 100 500 1200 1000 1200 300 ...

 $ aqua                 : int  900 1200 1000 900 100 500 1300 1000 1200 300 ...

 $ roti                    : int  800 900 1000 700 100 500 1300 1000 1200 300 ...

 $ susu                 : int  700 900 950 700 100 500 1300 1000 1200 300 ...

# Menhitung rata2 penjualan mieinstant/bulan selama th 2000

mean_mieinstant_perbulan <- data_awal %>%

  group_by(year,month) %>%

  filter(year==2000) %>%

  group_by(month) %>%

  summarise(mieinstant = mean(mieinstant))

head(mean_mieinstant_perbulan)

# A tibble: 6 x 2

  month mieinstant

  <int>      <dbl>

1     1      9973.

2     2      9988.

3     3      9898.

4     4      9879.

5     5     10656.

6     6     10897.

# Grafik rata rata penjualan mieinstan th 2000

grafik_mean_mieinstant_perbulan <-  ggplot(mean_mieinstant_perbulan, aes(x = month, y = mieinstant)) +

        geom_bar(stat = "identity") +

        ggtitle("Rata rata penjualan mieinstan th 2000")

grafik_mean_mieinstant_perbulan   

  

 

#Menghitung jumlah rata2  penjualan rokok/bulan  th 2000

mean_rokok_perbulan <- data_awal %>%

  group_by(year,month) %>%

  filter(year==2000) %>%

  group_by(month) %>%

  summarise(rokok = mean(rokok))

head(mean_rokok_perbulan)

# A tibble: 6 x 2

  month rokok

  <int> <dbl>

1     1  819.

2     2  888.

3     3  888.

4     4 1086.

5     5  924.

6     6  999.

# Grafik rata2 penjualan rokok per bulan th 2000

grafik_mean_rokok_perbulan <-  ggplot(mean_rokok_perbulan, aes(x = month, y = rokok)) +

        geom_bar(stat = "identity") +

        ggtitle("Rata rata penjualan rokok th 2000") 

grafik_mean_rokok_perbulan

Ini adalah bagian script dari sebuah Analisa, mudah kan.

Kesimpulan.

1. Bahasa R itu  brain friendly alias ramah otak, artinya tidak akan membuat otak anda jebol.

2. Cukup menguasai dasar Statistik, latihan coding, praktekan!

3. Triknya, banyak latihan, latihan membuat logika anda terasah, logika yang matang akan memudahkan analisa, pengalaman menganalisa jadi modal menuju data scientist.