GUI R‐Commander dan Instalasinya dalam Sistem Operasi Windows

Pada awalnya, interaksi utama antara pengguna dengan R adalah bersifat

Command Line Interface (CLI). Dengan demikian, untuk dapat menggunakan R di‐
perlukan penyesuaian‐penyesuaian bagi pengguna yang telah terbiasa dengan fasilitas
Point and Click Graphical User Interface (GUI). Untungnya, pada saat ini telah tersedia
beberapa GUI sederhana untuk keperluan beberapa analisis statistika tertentu, khusus‐
nya yang berkaitan dengan manajemen data di R. Library R‐commander yang terdiri dari
Rcmdr, RcmdrPlugin.TechingDemos, RcmdrPlugin.epack, RcmdrPlugin.HH, dan
RcmdrPlugin.FactoMineR, merupakan library tambahan dari R untuk memfasilitasi GUI
yang dapat digunakan untuk berbagai analisis statistika dasar.
Instalasi libray R‐commander dapat dilakukan apabila file‐file library di atas
sudah didownload dari server CRAN. Jika instalasi untuk R telah selesai dan berjalan
sukses, maka langkah‐langkah untuk intalasi R‐commander adalah sebagai berikut:
1. Pertama, jalankan program R sampai jendela program R terbuka (seperti yang
terlihat pada Gambar 1.3 di atas).
2. Untuk menginstal R‐commander, pilih menu Packages, pilih Install package(s) from
local zip files … . Kemudian arahkan lokasi pada dialog Look in ke direktori dimana file
Rcmdr_1.3‐10.zip, RcmdrPlugin.HH_1.1‐5.zip, RcmdrPlugin.epack_1.0‐1.zip,
RcmdrPlugin.TechingDemos_1.3‐10.zip, RcmdrPlugin.FactoMineR_1.00.zip. Pilih semua
file tersebut, seperti yang terlihat pada jendela dialog pada Gambar 1.4.

Gambar 1.4. Jendela dialog untuk instalasi R‐commander

‐4‐
©sht90 Paket Statistik R

Kemudian klik Open, maka R akan menginstal paket R‐commander yang ditandai
dengan dialog berikut pada jendela R‐console.

> utils:::menuInstallLocal()
package 'RcmdrPlugin.TeachingDemos' successfully unpacked and MD5 sums
checked
package 'Rcmdr' successfully unpacked and MD5 sums checked
package 'RcmdrPlugin.epack' successfully unpacked and MD5 sums checked
package 'RcmdrPlugin.FactoMineR' successfully unpacked and MD5 sums
checked
package 'RcmdrPlugin.HH' successfully unpacked and MD5 sums
checked updating HTML package descriptions >

3. Paket R‐commander dapat dijalankan dengan dua cara yang berbeda, yaitu:
ƒ Dengan mengetikkan perintah library(Rcmdr) pada jendela R‐console dan
menekan Enter satu kali.
> library(Rcmdr)

ƒ Memilih menu Packages, pilih Load package … dan kemudian memilih Rcmdr
pada daftar paket library yang telah terinstal, seperti yang terlihat pada
Gambar 1.5.

Gambar 1.5. Jendela dialog untuk menjalankan R‐commander

‐5‐
©sht90 Paket Statistik R

Apabila proses instalasi paket R‐commander berjalan dengan sukses, maka paket R‐
commander tersebut akan diloading dan muncul seperti pada Gambar 1.6 berikut
ini.

Gambar 1.6. Jendela awal dari paket library R‐commander

Pada saat ini, bahasa yang digunakan dalam paket R‐commander sudah ada yang
dalam bahasa Indonesia sebagai hasil pengembangan dan kontribusi statistisi di
Indonesia.

4. Untuk keluar dari paket R‐commander dan sekaligus R dapat dilakukan dengan
memilih menu File, pilih Keluar, dan klik pada pilihan Dari Commander dan R yang
tersedia di jendela R‐commander.

1.6. Manajemen Direktori Kerja di R

Cara kerja dari R adalah sama dengan Splus, yaitu bekerja dengan satu direktori
untuk satu projek. R akan menyimpan file image dari semua obyek atau internal data
dan history dari semua perintah yang pernah diketikkan di jendela R‐console pada
direktori kerja secara otomatis atau default dengan file berekstensi .Rdata. Lokasi

‐6‐
©sht90 Paket Statistik R

default dari direktori kerja R adalah direktori “C:\Program Files\R\R‐2.7.2”. Untuk

keperluan pekerjaan sehari‐hari yang menggunakan R akan lebih baik jika dilakukan
pada direktori tersendiri, misalnya direktori dengan nama yang sesuai dengan pekerjaan
yang dijalankan. Dengan demikian akan memudahkan dalam melihat history dan obyek
yang berhubungan dengan pekerjaan tersebut.

1.6.1. Mengubah lokasi direktori kerja atau workspace

Berikut ini adalah langkah‐langkah yang dapat digunakan untuk membuat
direktori khusus dari suatu pekerjaan dengan menggunakan R.

ƒ Misalkan kita telah mempunyai direktori C:\Kerja_dg_R (buatlah direktori ini jika
belum ada). Langkah pertama, buatlah satu direktori baru di C:\Kerja_dg_R dengan
nama direktori “Nama_Pekerjaan”, misalkan Kerja1. Dengan demikian, pada tahap
ini diperoleh suatu direktori baru yaitu
C:\Kerja_dg_R\Kerja1.

ƒ Buatlah copy dari shortcut program R di desktop window, dan rename shortcut ini
sebagai shortcut Kerja1. Sehingga di desktop window muncul shortcut Kerja1
seperti Gambar 1.7 berikut ini.

Gambar 1.7. Shortcut di desktop window dengan nama Kerja1

ƒ Kemudian arahkan mouse pada shortcut tersebut dan klik kanan. Pilih Properties
dan ganti informasi pada kolom Start in menjadi C:\Kerja_dg_R\Kerja1 seperti yang
terlihat pada Gambar 1.8, setelah itu klik OK.

Untuk mengetahui perubahan lokasi direktori kerja di R, lakukan klik dua kali
pada icon shortcut Kerja1 untuk menjalankan R. Sebagai ilustrasi sederhana, ketikkan
beberapa baris perintah berikut ini setelah jendela R terbuka.

> x=1:15
> y=x+5
>x
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
>y
[1] 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

‐7‐
©sht90 Paket Statistik R

“C:\Program Files\R\R-2.7.2\bin\Rgui.exe”

Gambar 1.8. Perubahan lokasi direktori kerja ke C:\Kerja_dg_R\Kerja1

Setelah mengetikkan beberapa baris perintah di atas, lakukan keluar dari R

dengan memilih menu File/Exit. Pada dialog pertanyaan Save workspace image?, klik
pada pilihan YES. Sekarang, jika dilakukan browsing di direktori C:\Kerja_dg_R\Kerja1
maka akan ditemukan satu file bernama .Rdata yang merupakan nama default file image
dari direktori kerja, dan file yang lain bernama .Rhistory yang merupakan nama default
dari file yang berisikan history dari semua perintah yang pernah diketikkan. Kedua file
ini secara default akan diloading oleh R pada saat dijalankan untuk suatu sesi pekerjaan.
History dan data dari suatu sesi terakhir (yang telah tersimpan sebelum keluar) dapat
diakses pada jendela R‐console dengan menggunakan tanda panah ke atas dan ke
bawah.

‐8‐
©sht90 Paket Statistik R

1.6.2. Menyimpan image direktori kerja

Pada bagian sebelumnya telah dijelaskan bagaimana semua obyek yang
digunakan dalam satu sesi pemakaian R, yaitu mulai dibukanya program R sampai
ditutup kembali, akan disimpan secara default ke dalam file .Rdata. Supaya file‐file
pekerjaan lebih terorganisir, R memberikan fasilitas tambahan untuk menyimpan data
atau obyek yang digunakan dalam setiap sesi R ke dalam file workspace tertentu yang
memiliki ekstensi .Rdata. File‐file ini selanjutnya dapat diload kembali jika diperlukan.
Sebagai contoh, jalankan program R dan ketikkan beberapa perintah berikut ini ke dalam
jendela R‐console.

> x=1:15
> y=x+5
>x
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
>y
[1] 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Proses penyimpanan data atau obyek, yaitu x dan y seperti yang tertulis di atas,
ke dalam direktori C:\Kerja_dg_R\Kerja1 dengan nama file coba1.Rdata dapat
dilakukan dengan menggunakan menu File, dan pilih Save Workspace … . Selanjutnya
lakukan keluar dari R, dan pilih No (yang berarti tidak menyimpan imag dari file kerja)
pada dialog Save Workspace Image? Sekarang jalankan kembali program R, maka data
atau obyek di file coba1.Rdata dapat diload kembali dengan menggunakan dua macam
cara, yaitu:

ƒ Pilih menu File, dan pilih Load Workspace … , dan setelah itu pilih file di direktori
C:\Kerja_dg_R\Kerja1 dengan nama coba1.Rdata

ƒ Gunakan perintah berikut pada jendela R‐console

> load("C:\\Kerja_dg_R\\Kerja1\\Coba1.RData")
> objects()
[1] "x" "y"
>x
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
>y
[1] 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Dari jendela kotak R‐console di atas dapat dilihat bahwa semua obyek yang dikerjakan
pada sesi sebelumnya telah berhasil diload kembali. Dengan cara yang sama, semua
history dari perintah pada suatu sesi dapat disimpan melalui menu File, dan pilih Save

‐9‐
©sht90 Paket Statistik R

History… . Untuk melakukan load kembali history pada sesi sebelumnya yang sudah
tersimpan ini, dapat dilakukan dengan melalui menu File, dan pilih Load History … ,
kemudian pilih nama file history yang akan dipanggil kembali tersebut. History dari sesi
R yang telah diload ini dapat diakses dengan menggunakan tanda panah ke atas dan ke
bawah.

1.7. Fasilitas help

Secara umum ada beberapa fasilitas help dari R yang dapat diakses dengan
berbagai cara, antara lain:

ƒ Mencari help dari suatu perintah (command) tertentu

ƒ Menggunakan help‐search‐engine
ƒ Online Search‐Engine

1.7.1. Mencari help dari suatu perintah (command) tertentu

Ada beberapa perintah yang dapat digunakan untuk mencari help atau bantuan
terhadap suatu fungsi atau perintah dari R yang telah diketahui namanya. Sebagai
contoh, jika ingin diketahui secara detail tentang suatu perintah atau fungsi R yang
bernama “plot”, maka pada jendela R‐console dapat diketikkan salah satu perintah
berikut ini, yaitu:

> help(plot)
> ?plot

Jendela help yang sama dapat juga diperoleh dengan menggunakan menu dengan
pilihan Help, dan pilih R function (text) … dan setelah jendela dialog muncul, ketikkan
kata plot seperti yang terlihat pada Gambar 1.9 berikut ini.

Gambar 1.9. Jendela dialog help untuk suatu fungsi atau perintah

‐ 10 ‐
©sht90 Paket Statistik R

Setelah salah satu dari perintah di atas dijalankan, maka akan ditampilkan bagian
dari jendela help dari perintah plot seperti yang terlihat pada Gambar 1.10 berikut ini.

Gambar 1.10. Hasil pencarian help untuk suatu fungsi plot

Penjelasan dari jendela hasil pencarian help untuk fungsi plot ini adalah sebagai berikut:

ƒ Ada dua kolom jendela yang muncul, yaitu kolom kiri tentang index dari fungsi
atau perintah yang dicari (misal plot), dan kolom kanan adalah hasil atau
penjelasan dari pencarian fungsi yang ingin diketahui.
ƒ Pada bagian kiri atas kolom jendela hasil help adalah tentang keterangan nama
dari perintah atau fungsi yang sedang ditampilkan dan nama paket atau library
yang memuat perintah tersebut. Dalam contoh di atas, untuk perintah plot dapat
dilihat bahwa perintah plot ini tersimpan dalam paket atau library graphics..
ƒ Pada setiap jendela help dari suatu perintah secara umum akan memuat bagian‐
bagian berikut:
• Description: uraian singkat tentang perintah tersebut
• Usage: uraian tentang syntax perintah untuk penggunaan perintah tersebut.
• Arguments: uraian tentang argumen‐argumen yang diperlukan dari
fungsi atau perintah tersebut.
• Details: uraian yang lebih lengkap (daripada yang diberikan pada
bagian description) tentang perintah tersebut.

‐ 11 ‐
©sht90 Paket Statistik R

• Values: uraian tentang output perintah tersebut.

• Author(s): uraian tentang author dari perintah tersebut.
• References: uraian tentang referensi yang dapat digunakan untuk
memperoleh keterangan lebih lanjut dari perintah tersebut.
• See also: bagian ini berisi daftar perintah atau fungsi yang
berkaitan erat dengan perintah tersebut.
• Example: bagian ini berisi contoh‐contoh penggunaan perintah tersebut.
 MANAJEMEN DATA DI PAKET R

Manajemen data yang meliputi data entry, edit, import dan export, merupakan
suatu langkah yang penting dalam analisis statistika. Ada beberapa macam dan ukuran
data yang dapat diolah menggunakan R. Secara umum, minimal ada dua macam bentuk
data yang dapat diolah, yaitu data yang dimasukkan langsung lewat R editor melalui
keyboard, dan data yang sudah ditulis menggunakan Program Sheet lain, seperti Text,
SPSS, MINITAB, Access ataupun dBase. R menyediakan dua cara untuk melakukan
manajemen data, yaitu menggunakan R‐GUI dan melalui command line di R‐console.
Pada bab ini, pembahasan tentang manajemen data difokuskan yang melalui R‐GUI,
khususnya pemakaian R‐Commander.

2.1. Data Entry menggunakan R‐Gui dengan R‐Commander

Pada tahap awal, aktifkan kembali program R dengan mengklik icon shortcutnya.
Kemudian load library R‐Commander dengan mengetikkan perintah library(Rcmdr) pada
jendela R‐console, dan tunggu sampai R‐Commander selesai diloading. Jika proses berjalan
sukses maka akan nampak jendela R‐Commander seperti pada Gambar 2.1.

Gambar 2.1. Jendela awal dari paket library R‐commander yang sukses diloading

‐ 16 ‐
©sht90 Manajemen data di Paket R

Pengisian data secara langsung via R dengan menggunakan R‐commander dapat

dilakukan melalui menu Data, dan pilih Dataset baru … . Setelah itu, jendela dialog pengisian
nama data set akan ditampilkan, seperti yang terlihat pada Gambar 2.2. Pada kotak dialog
nama data set, tuliskan latihan1 sebagai nama data set baru tersebut.

Gambar 2.2. Jendela dialog pengisian nama data set

Kemudian klik OK, dan jendela RGui ‐ Data Editor akan terbuka seperti pada Gambar 2.3
berikut ini.

Gambar 2.3. Jendela RGui ‐ Data Editor untuk pengisian data

Pengisian nama variabel dilakukan dengan cara klik pada kolom paling atas dari
data editor. Sebagai contoh, untuk mengisikan nama variabel pertama, misalnya
responden, klik pada var1. Kemudian pada jendela Variable editor seperti yang terlihat
pada Gambar 2.4, isikan responden sebagai variable name dan tipe data adalah
character (karena yang akan diisikan pada kolom ini adalah nama‐nama responden).

‐ 17 ‐
©sht90 Manajemen data di Paket R

Gambar 2.4. Jendela Variable editor untuk pengisian nama variabel

Sebagai latihan, isikan data tentang nama mahasiswa, nilai UAN tiga mata pelajaran, dan
IPK semester 1, berikut ini kedalam R Data editor.

Responden Matematika BIndonesia BInggris IPK1

Adi 8.0 9.1 8.4 3.35
Budi 7.6 8.8 8.5 3.02
Dany 6.9 8.1 7.2 2.90
Eka 8.9 9.2 9.0 3.42
Fery 9.5 9.6 9.5 3.75
Nuri 7.3 8.7 7.9 3.26
Rury 6.5 7.5 8.2 2.76

Pada dasarnya, proses pengisian data ini adalah sama dengan paket statistik yang lain,
yaitu mulai isian nama kolom dan tipe data yang diinputkan (numeric atau character).
Setelah semua data selesai diinputkan, maka akan diperoleh tampilan Data Editor
seperti berikut ini.

Gambar 2.5. Jendela Data Editor setelah semua data selesai diisikan

‐ 18 ‐
©sht90 Manajemen data di Paket R

Setelah dilakukan data entry, maka tutup jendela R Data Editor diatas untuk
mengakhiri proses data entry. Pada jendela R‐Commander terlihat Data set yang dengan
nama latihan1 saat ini sedang aktif, seperti yang terlihat pada Gambar 2.6. Untuk
menampilkan data yang sedang aktif di Jendela Keluaran R‐Commander, tulis nama data
set yaitu latihan1 di Jendela Skrip, kemudian klik Kirim, maka akan terlihat data seperti
berikut ini.

Gambar 2.6. Jendela R Commander setelah dilakukan proses entry data

2.2. Menampilkan data yang sedang aktif di R‐Commander

Untuk menampilkan data yang sedang aktif di memori, lakukan dengan mengklik
tombol Lihat data set. Setelah itu jendela data akan dibuka dan menampilkan data yang
sedang aktif di memori komputer saat ini, yaitu data latihan1 berikut ini.

Gambar 2.7. Jendela data latihan1 yang sedang aktif di memori

‐ 19 ‐
©sht90 Manajemen data di Paket R

2.3. Editing data di R‐Commander

Untuk melakukan editing terhadap data latihan1, lakukan dengan mengklik tombol
Edit data set. Setelah itu jendela Data Editor akan dibuka kembali, dan proses editing data
dapat langsung dilakukan pada data‐data yang salah ketik. Jika editing telah selesai
dilakukan, tutup jendela Data Editor untuk kembali ke jendela R‐commander. Hasil editing
yang telah dilakukan dapat dilihat dengan klik pada tombol Lihat data set.

2.4. Importing data di R‐Commander

Seperti yang telah dijelaskan pada bagian sebelumnya, secara umum proses
data entry di R‐Commander dapat dilakukan dengan dua macam cara, yaitu dilakukan
langsung melalui Data Editor dan melalui import data dari format data yang diberikan
oleh program lain. Program yang format datanya dapat dibaca oleh R adalah data dari
file teks atau clipboard, dataset SPSS, dataset MINITAB, dataset STATA, data dari Excel,
Access, atau dBase, seperti yang terlihat pada jendela menu berikut.

Gambar 2.8. Jendela Impor data pada R‐Commander

Pada bagian berikut ini akan dijelaskan penggunaan impor data dari Excel, SPSS, dan
MINITAB. Untuk file dari program yang lain, proses impor data melalui R‐Commander
dapat dilakukan secara sama dengan cara mengimpor data dari program Excel, SPSS,
ataupun MINITAB.

2.4.1. Importing data file Excel di R‐Commander

Misalkan saja data file Excel belum ada, dan akan dibuat terlebih dahulu. Buka
program Excel, setelah itu isikan data tentang responden diatas sehingga diperoleh data
Excel seperti yang terlihat pada Gambar 2.9.

‐ 20 ‐
©sht90 Manajemen data di Paket R

Gambar 2.9. Jendela data pada Excel yang akan diimpor ke R

Langkah selanjutnya, simpan file ini sebagai file text (yaitu tab delimited txt), dengan
nama data1.txt di direktori C:\Kerja_R\. Untuk mengimpor data file ini kedalam R‐
Commander, pilihlah pada R‐Commander menu Data, pilih Impor data, dan kemudian
pilih dari file teks atau clipboard … . Pada jendela dialog yang muncul, isikan informasi
nama untuk data set, nama variabel, dan lain‐lain, seperti berikut ini.

Gambar 2.10. Jendela dialog Impor data dari file teks atau clipboard

‐ 21 ‐
©sht90 Manajemen data di Paket R

Dalam hal ini, data hasil impor akan disimpan kedalam R‐Commander dengan
nama latihan2. Data ini diimpor dengan Pemisah Field/Medan adalah spasi. Klik OK,
kemudian akan muncul untuk melakukan browsing ke lokasi dari file teks yang akan
diimpor. Arahkan ke direktori C:\Kerja_R\ dan pilih file data1.txt. Kemudian klik Open,
maka sekarang data yang berada pada file data1.txt telah diimpor kedalam R‐
Commander dengan nama latihan2. Sekarang, data set yang aktif pada R‐Commander
adalah latihan2 seperti yang terlihat pada Gambar 2.11. Gunakan tombol Lihat data set
untuk melihat hasil impor data ini.

Gambar 2.11. Jendela dialog hasil impor data dan latihan2 sebagai data set aktif

2.4.2. Importing data file SPSS di R‐Commander

Proses impor data eksternal yang telah disimpan sebagai file SPSS, dapat
dilakukan dengan memilih pada R‐Commander menu Data, pilih Impor data, dan
kemudian pilih dari dataset SPSS… . Pada jendela dialog yang muncul, isikan informasi
nama untuk data set (misal latihan3) seperti berikut ini.

Gambar 2.12. Jendela dialog Impor Dataset SPSS

‐ 22 ‐
©sht90 Manajemen data di Paket R

Klik OK, dan selanjutnya arahkan ke direktori tempat penyimpanan file SPSS yang akan
diimpor, misalkan saja di C:\Kerja_R\ dengan nama data2.sav. Kemudian klik Open,
maka data hasil impor dari file data2.sav akan disimpan kedalam file latihan3. Pada
jendela R‐Commander terlihat data set latihan3 sedang aktif, seperti pada Gambar 2.13.
Klik tombol Lihat data set untuk melihat hasil impor data ini.

Gambar 2.13. Jendela dialog hasil impor data dan latihan3 sebagai data set aktif
 MANAJEMEN DATA DI R DENGAN COMMAND LINE

Pada R, data yang ada dipandang sebagai suatu objek yang memiliki suatu
attributes atau sifat. Sifat data ditentukan oleh type data dan mode data. Ada berbagai
type data yang dikenal oleh R, antara lain vektor, matriks, list, data frame, array, factor,
dan function (built‐in command). Sedangkan mode data yang dikenal R ada 4 macam
seperti yang terlihat pada Tabel 3.1 berikut ini.

Tabel 3.1. Empat macam mode data yang dikenal R

Mode Contoh perintah di Command Line

Numeric > 23
> c(2.3, 2, 1.3, 3.2)
> data.bulan = c(1,2,3,4,5,6,7,8,9,10,11,12)
Complex > 1+5i
> sqrt(as.complex(‐5))
Logical > c(T,F,F,T,T,F,F,T,T,T)
> data.tahun > 1998
Character > c(“Budi”, “Wati”, “Rony”, “Naily”)
> c(“F”, “T”, “2”)

Nama objek dalam R harus dimulai dengan huruf, ditambah dengan kombinasi
dari huruf besar, huruf kecil, angka dan titik. Penggunaan titik biasanya dilakukan untuk
memudahkan pengorganisasian data. Berikut ini adalah beberapa contoh dari nama
objek yang valid.
databudi
data.budi
data.budi.1
data.budi.5
data.budi.no7.02.02.08

Contoh dari nama objek yang tidak valid (invalid) adalah sebagai berikut:
1databudi : dimulai dari angka
data‐budi : operator ‐ tidak dapat digunakan
databudi=1 : operator = tidak dapat digunakan

Dalam R versi 2.7.2 ini, assignment dapat digunakan dengan operator “<‐” dan “=”.
Untuk melihat isi dari suatu data objek, dapat dilakukan dengan mengetikkan nama
objek tersebut di R prompt pada R‐console.

‐ 29 ‐
©sht90 Manajemen Data di R dengan Command Line

3.1. Jenis‐jenis Data Objek

Pada bagian ini akan dijelaskan beberapa jenis data objek pada R, yaitu data
array satu dimensi atau data vektor, data matriks, data frame, dan data list.

3.1.1. Data Array Satu Dimensi atau Data Vektor

Vektor merupakan suatu array atau himpunan bilangan, character atau string,
logical value, dan merupakan objek paling dasar yang dikenal dalam R. Pada data vektor
harus digunakan mode tunggal pada data, sehingga gabungan dua data atau lebih yang
berbeda mode tidak dapat dilakukan kedalam satu objek vektor. Jika ini dilakukan, maka R
akan mengubah data ke mode yang lebih umum, seperti contoh berikut ini.

> c(T,1:10)
[1] 1 1 2 3 4 5 6 7 8 9 10
> c("A",F,T)
[1] "A" "FALSE" "TRUE"
> c("A",2,4,F,T)
[1] "A" "2" "4" "FALSE" "TRUE"
> x=c(1:10)
>x
[1] 1 2 3 4 5 6 7 8 9 10
> mode(x)
[1] "numeric"
> length(x)
[1] 10

Pada contoh pertama dapat dilihat bahwa pada command line menghasilkan vektor yang
semua data diubah menjadi mode numerik, sedangkan pada contoh kedua dan ketiga
menghasilkan vektor yang semua datanya diubah menjadi mode karakter. Untuk
mengetahui mode suatu objek vektor dapat dilakukan dengan menggunakan command
mode seperti pada contoh diatas. Jumlah atau panjang data yang bertipe vektor dapat
diketahui dengan memanfaatkan fungsi length (perhatikan contoh diatas).

Ekstraksi sebagian data vektor dapat dilakukan dengan berbagai cara atau
langkah. Dalam praktek analisis data statistik, ekstraksi ini biasanya dilakukan untuk
pembentukan data baru berdasarkan data yang sudah ada. Berikut ini adalah beberapa
contoh hasil ekstraksi dari suatu data vektor yang terdiri dari 10 elemen, yaitu 10, 5, 14,
12, 8, 11, 9, 10, 16, 20.

‐ 30 ‐
©sht90 Manajemen Data di R dengan Command Line

> x=c(10, 5, 14, 12, 8, 11, 9, 10, 16, 20)

> x # untuk melihat semua elemen objek vektor x
[1] 10 5 14 12 8 11 9 10 16 20
> x[2] # menampilkan elemen kedua
[1] 5
> x[c(1,3,7)] # menampilkan elemen ke‐1,3,7
[1] 10 14 9
> x[‐c(2,8)] # menampilkan semua elemen kecuali elemen ke‐2,8
[1] 10 14 12 8 11 9 16 20
> x[x>10] # menampilkan semua elemen yang lebih besar dari 10
[1] 14 12 11 16 20
> y=x[x>10] # menyimpan vektor yg elemennya lebih besar dari 10 dgn nama y
>y
[1] 14 12 11 16 20

3.1.2. Data Matriks

Matriks atau data array dua dimensi adalah salah satu tipe data yang banyak
digunakan dalam pemrograman statistik. Sebagian besar fungsi‐fungsi statistik dalam R
dapat dianalisis dengan menggunakan bentuk matriks. Bentuk matriks ini juga banyak
digunakan pada operasi fungsi‐fungsi built‐in untuk aljabar linear dalam R, seperti untuk
penyelesaian suatu persamaan linear.

Proses entry data matriks dilakukan dengan menggunakan fungsi matrix.

Argumen yang diperlukan adalah elemen‐elemen dari matriks, dan argumen optional
yaitu banyaknya baris nrow dan banyaknya kolom ncolom. Sebagai contoh, gunakan
perintah‐perintah berikut ini pada R‐console.

> matriks.1 = matrix(c(1,2,3,4,5,6),nrow=2,ncol=3)

> matriks.2 = matrix(1:6,nrow=2,ncol=3)
> matriks.3 = matrix(1:6,nrow=2)
> matriks.4 = matrix(1:6,2)
> matriks.1
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6

Keempat perintah diatas akan menghasilkan matriks yang sama. Untuk mengetahuinya
ketikkan matriks.2, matriks.3, matriks.4, dan kemudian enter untuk masing‐masing
perintah tersebut.

‐ 31 ‐
©sht90 Manajemen Data di R dengan Command Line

Pada R, data secara default akan diisikan kolom perkolom seperti yang terlihat
pada contoh berikut ini.

> data=c(6.4,8.8,7.5,5.3,7.6,9.5)
> data
[1] 6.4 8.8 7.5 5.3 7.6 9.5
> matriks.a=matrix(data,nrow=3,ncol=2)
> matriks.a
[,1] [,2]
[1,] 6.4 5.3
[2,] 8.8 7.6
[3,] 7.5 9.5

Pengisian matriks menurut baris perbaris dapat dilakukan dengan menggunakan

argumen optional byrow=T pada command matrix. Berikut ini adalah contoh tentang
penggunaan argumen tersebut.

> matriks.b=matrix(data,nrow=3,ncol=2,byrow=T)
> matriks.b
[,1] [,2]
[1,] 6.4 8.8
[2,] 7.5 5.3
[3,] 7.6 9.5
> dim(matriks.a)
[1] 3 2
> length(matriks.a)
[1] 6
> mode(matriks.a)
[1] "numeric"

Dimensi, length dan mode dari suatu matriks dapat dilihat dengan menggunakan
perintah dim, length, dan mode seperti pada contoh diatas. Perlu diingat bahwa semua
elemen dari matriks harus memiliki mode yang sama. Jika hal ini tidak dipenuhi, maka
elemen‐elemen akan diubah menjadi mode yang paling umum.

Ada beberapa operator yang biasa digunakan untuk operasi matriks dan vektor,
antara lain perkalian, invers matriks, transpose matriks dan crossproduct. Ringkasan
dari operator‐operator ini dapat dilihat pada Tabel 2.2.

‐ 32 ‐
©sht90 Manajemen Data di R dengan Command Line

Tabel 3.2. Operator untuk operasi matriks dan vektor

Operator Keterangan
* Perkalian elemen demi elemen dari matriks
%*% Perkalian matriks
%o% Outer
solve Invers dari suatu matriks
t Transpose dari suatu matriks
crossprod Crossproduct suatu matriks, yaitu t(x) %*% x

Berikut ini adalah beberapa contoh hasil penggunaan operator pada suatu matriks dan
vektor.

> a=1:5
>a
[1] 1 2 3 4 5
> a*a # perkalian elemen demi elemen dari matriks a
[1] 1 4 9 16 25
> crossprod(a) # crossproduck dari matriks a, yaitu t(a) %*% a
[,1]
[1,] 55
> b=matrix(c(1:4),2)
>b
[,1] [,2]
[1,] 1 3
[2,] 2 4
> b*b # perkalian elemen demi elemen dari matriks b
[,1] [,2]
[1,] 1 9
[2,] 4 16
> b%*%b # perkalian matriks b dengan matriks b
[,1] [,2]
[1,] 7 15
[2,] 10 22
> solve(b) # invers dari matriks b
[,1] [,2]
[1,] ‐2 1.5
[2,] 1 ‐0.5

‐ 33 ‐
©sht90 Manajemen Data di R dengan Command Line

Pada R, dapat pula dilakukan penggabungan satu kolom atau satu baris baru
kedalam matriks lain. Hal ini dapat dilakukan dengan menggunakan perintah rbind
(untuk menambahkan ke baris) dan cbind (untuk menambahkan ke kolom). Perhatikan
contoh‐contoh berikut ini.

> a=matrix(c(3,4,5,6,7,8),2,3)
>a
[,1] [,2] [,3]
[1,] 3 5 7
[2,] 4 6 8
> a1=cbind(a,c(1,2)) # menambahkan ke kolom ke‐4 dari a
> a1
[,1] [,2] [,3] [,4]
[1,] 3 5 7 1
[2,] 4 6 8 2
> a2=cbind(c(1,2),a) # menambahkan ke kolom ke‐1 dari a
> a2
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
> a3=rbind(a,c(1,2,3)) # menambahkan ke baris ke‐3 dari a
> a3
[,1] [,2] [,3]
[1,] 3 5 7
[2,] 4 6 8
[3,] 1 2 3
> a4=rbind(c(1,2,3),a) # menambahkan ke baris ke‐1 dari a
> a4
[,1] [,2] [,3]
[1,] 1 2 3
[2,] 3 5 7
[3,] 4 6 8

3.1.3. Data Frame

Data frame merupakan objek yang mempunyai bentuk sama dengan matriks,
yaitu terdiri atas baris dan kolom. Perbedaannya adalah data frame dapat terdiri atas
mode data yang berbeda‐beda untuk setiap kolomnya. Misalkan saja, kolom pertama
adalah numeric, kolom kedua adalah string/character, dan kolom ketiga adalah logical.
Objek data frame dapat dibuat dengan menggunakan perintah data.frame, seperti pada
contoh‐contoh berikut ini.

‐ 34 ‐
©sht90 Manajemen Data di R dengan Command Line

> data.frame(c(1:4),c(T,T,F,F))
c.1.4. c.T..T..F..F.
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE
> data.frame(nomer=c(1:4),jawaban=c(T,T,F,F)) # ada nama kolom
nomer jawaban
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE
> cobaframe=data.frame(c(1:4),c(T,T,F,F)) # simpan objek di cobaframe
> cobaframe c.1.4.
c.T..T..F..F.
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE
> names(cobaframe)[1]="nomer" # nama kolom ke‐1 “nomer”
> names(cobaframe)[2]="jawaban" # nama kolom ke‐2 “jawaban”
> cobaframe
nomer jawaban
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE
> cobaframe1=data.frame(c(1:4),c(T,T,F,F))
> cobaframe1
c.1.4. c.T..T..F..F.
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE
> names(cobaframe1)=c("nomer","jawaban") # beri nama kolom
> cobaframe1
nomer jawaban
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE

‐ 35 ‐
©sht90 Manajemen Data di R dengan Command Line

Secara umum, perintah‐perintah diatas adalah ekuivalen dengan perintah berikut ini.

> cobaframe2=data.frame(nomer=c(1:4),jawaban=c(T,T,F,F))
> cobaframe2
nomer jawaban
1 1 TRUE
2 2 TRUE
3 3 FALSE
4 4 FALSE

Seperti pada data vektor, ekstraksi sebagian data pada matriks dan data frame dapat
pula dilakukan dengan berbagai cara atau langkah. Berikut ini adalah beberapa contoh
hasil ekstraksi dari suatu matriks dan data frame.

> matriks.1=matrix(1:9,3)
> dataframe.1=data.frame(nomer=1:4,nama=c("Adi","Budi","Cika","Dony"),
nilai=7:10)
> matriks.1
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
> matriks.1[2,2]
[1] 5
> dataframe.1
nomer nama nilai
1 1 Adi 7
2 2 Budi 8
3 3 Cika 9
4 4 Dony 10
> dataframe.1[2,2]
[1] Budi
Levels: Adi Budi Cika Dony
> dataframe.1["nama"]
nama
1 Adi
2 Budi
3 Cika
4 Dony

‐ 36 ‐
Importing Data File Excel

Data file Excel dengan ekstensi .XLS dapat diimpor secara langsung meng‐ gunakan
fasilitas GUI R‐Cmdr (lihat bagian sebelumnya). Untuk dapat diimpor ke dalam R dengan
fasilitas command line, maka data file Excel harus terlebih dulu diubah menjadi format Text
Tab Delimited (ekstensi .TXT) atau CSV comma delimited (ekstensi
.CSV). Setelah itu, data ini dapat diimpor menggunakan perintah read.table atau
read.csv.

‐ 39 ‐
©sht90 Manajemen Data di R dengan Command Line

Misalkan saja data file Excel yang akan diimpor adalah seperti pada gambar
berikut ini dan telah disimpan menjadi file data1.txt atau data1.csv.

Gambar 3.1. Jendela data1.txt pada Excel yang akan diimpor ke R

Proses impor data1.txt dapat dilakukan dengan perintah read.table, sedangkan, impor
data1.csv dilakukan dengan perintah read.csv. Argumen optional header=T digunakan
dengan tujuan agar R menggunakan baris pertama dari file sebagai header atau nama
dari variabel. Seperti pada bagian sebelumnya, apabila data tidak berada pada direktori
kerja R, maka tulis juga direktori tersebut pada argumennya. Berikut ini adalah contoh
proses impor data file dengan ekstensi .TXT dan .CSV.

> latihan2 <‐ read.table("data1.txt", header=TRUE) # atau

> latihan2 <‐ read.table("c:\\Kerja_R\\data1.txt", header=TRUE) # atau
> latihan2 <‐ read.table("c:/Kerja_R/data1.txt", header=TRUE)
> latihan2
Responden Matematika BIndonesia BInggris IPK1
1 Adi 8.0 9.1 8.4 3.35
2 Budi 7.6 8.8 8.5 3.02
3 Dany 6.9 8.1 7.2 2.90
4 Eka 8.9 9.2 9.0 3.42
5 Fery 9.5 9.6 9.5 3.75
6 Nuri 7.3 8.7 7.9 3.26
7 Rury 6.5 7.5 8.2 2.76

‐ 40 ‐
©sht90 Manajemen Data di R dengan Command Line

> latihan3 <‐ read.csv("data1.csv", header=TRUE)

> latihan3
Responden.Matematika.BIndonesia.BInggris.IPK1
1 Adi;8;9.1;8.4;3.35
2 Budi;7.6;8.8;8.5;3.02
3 Dany;6.9;8.1;7.2;2.9
4 Eka;8.9;9.2;9;3.42
5 Fery;9.5;9.6;9.5;3.75
6 Nuri;7.3;8.7;7.9;3.26
7 Rury;6.5;7.5;8.2;2.76

3.2.3. Importing Data dari Paket Statistik

R mempunyai paket atau library foreign untuk melakukan importing data dari
file dalam format paket statistika yang lain. Sampai saat ini yang tersedia pada R adalah
importing data file dari paket‐paket statistika berikut :

ƒ MINITAB : gunakan perintah read.mtp untuk membaca file ‘Minitab

Portable Worksheet’ atau data dengan ekstensi .MTP.
File ini dapat dibuat di MINITAB dengan perintah SAVE
AS dan pilihan .MTP

ƒ SPSS: gunakan perintah read.spss untuk membaca file ‘.SAV’.

ƒ SAS : gunakan perintah read.ssd atau read.xport.
ƒ S+ : gunakan perintah read.S

ƒ STATA: gunakan perintah read.dta

ƒ Systat: gunakan perinah read.systat

ƒ Epi info: gunakan perintah read.epiinfo untuk membaca file ‘.REC’.

Pada bagian ini akan diberikan contoh hanya untuk mengimpor data file SPSS
dan MINITAB yang seringkali digunakan dalam analisis data statistik. Misalkan data file
SPSS yang sudah dimiliki diberi nama WORLD95.SAV dan telah disimpan di direktori
kerja R. Proses impor data ini ke dalam R dengan menggunakan perintah command line
adalah sebagai berikut.

‐ 41 ‐
©sht90 Manajemen Data di R dengan Command Line

> latihan4 <‐ read.spss("World95.sav", use.value.labels=TRUE,

max.value.labels=Inf, to.data.frame=TRUE)

> latihan4[,1:5] # hanya menampilkan 5 kolom pertama saja

COUNTRY POPULATN DENSITY URBAN RELIGION
1 Afghanistan 20500 25.0 18 Muslim
2 Argentina 33900 12.0 86 Catholic
3 Armenia 3700 126.0 68 Orthodox
4 Australia 17800 2.3 85 Protstnt
5 Austria 8000 94.0 58 Catholic
6 Azerbaijan 7400 86.0 54 Muslim
…

Perintah use.value.labels=TRUE digunakan untuk mendapatkan variabel yang bertipe

FACTOR dengan “value label” seperti yang ada pada data file di SPSS.

Berikut ini adalah proses impor data file MINITAB dalam ekstensi .MTP ke dalam R
dengan menggunakan perintah command line. Misalkan data file MINITAB yang sudah
dimiliki adalah FA.MTW dan telah disimpan ke dalam ekstensi .MTP menjadi FA.MTP.

> latihan5 <‐ read.mtp("C:/Kerja_R/Fa.MTP")

> latihan5
$X
[1] 10 8 13 9 11 14 6 4 12 7 5
$Y1
[1] 8.04 6.95 7.58 8.81 8.33 9.96 7.24 4.26 10.84 4.82 5.68
$Y2
[1] 9.14 8.14 8.74 8.77 9.26 8.10 6.13 3.10 9.13 7.26 4.74
$Y3
[1] 7.46 6.77 12.74 7.11 7.81 8.84 6.08 5.39 8.15 6.42 5.73
$X4
[1] 8 8 8 8 8 8 8 19 8 8 8
$Y4
[1] 6.58 5.76 7.71 8.84 8.47 7.04 5.25 12.50 5.56 7.91 6.89

‐ 42 ‐
 GRAFIK MENGGUNAKAN R‐Commander

Pada bab ini akan dibahas penggunaan R‐Commander untuk membuat penyajian
statistik deskriptif dari suatu kumpulan data. Fokus utama adalah pembuatan beberapa
macam bentuk grafik yang banyak digunakan dalam analisis data.
Sebagai langkah awal, buka kembali program R dengan mengklik icon R 2.7.2.
Kemudian, ubah direktori dimana file workspace berada. Misalkan file latihan4.RData
(hasil impor data SPSS dengan nama file WORLD95.SAV) ada di ‘C:\Kerja_R’, maka
direktori diubah ke C:\Kerja_R. Load file workspace tersebut dengan menggunakan
menu File, pilih Load Workspace… seperti pada gambar berikut ini.

Gambar 4.1. Jendela dialog untuk Load Workspace

Setelah diklik Load Workspace… maka jendela R akan memberikan pilihan direktori dan
file workspace mana yang akan ditampilkan, seperti yang terlihat pada Gambar 4.2.
Pilihlah file workspace latihan4.RData yang ada di direktori C:\Kerja_R.

‐ 43 ‐
©sht90 Grafik Menggunakan R‐Commander

Gambar 4.2. Jendela dialog untuk pilihan file workspace yang akan diaktifkan

Langkah selanjutnya adalah mengaktifkan R‐commander dengan menggunakan

perintah library(Rcmdr). Setelah itu, aktifkan dataset dengan menggunakan menu Data, klik
Dataset aktif, dan Pilih dataset aktif… seperti yang ditampilkan pada Gambar 4.3.

Gambar 4.3. Jendela dialog untuk memilih dataset yang akan diaktifkan

‐ 44 ‐
©sht90 Grafik Menggunakan R‐Commander

Dari beberapa pilihan Datasets yang ada, klik latihan4 sebagai file workspace yang akan
diaktifkan, seperti pada Gambar 4.4. Dengan demikian, proses pengaktifan kembali data
latihan4 sudah dilakukan, dan proses analisis data baik secara statistik deskriptif atau
inferens dapat dilakukan.

Gambar 4.4. Jendela dialog untuk pilihan dataset yang akan diaktifkan

4.1. Grafik dalam R‐GUI

R menyediakan banyak menu pilihan grafik pada R‐Commander, antara lain
Histogram, Diagram Batang dan Daun, Boxplot, dan lain‐lain. Secara lengkap pilihan
grafik yang tersedia dapat dilihat pada gambar berikut ini.

Gambar 4.5. Jendela dialog untuk pilihan Grafik pada R‐Commander

‐ 45 ‐
©sht90 Grafik Menggunakan R‐Commander

4.2. Grafik Histogram

Menu yang digunakan untuk membuat grafik histogram adalah Grafik, pilih
Histogram… . Misalkan akan dibuat histogram untuk variabel LIFEEXPF (usia harapan
hidup wanita di suatu negara), maka pada jendela dialog yang muncul, pilih LIFEEXPF
seperti pada Gambar 4.5. Isikan jumlah interval yang diinginkan pada kolom Banyaknya
bin, dan klik OK untuk menampilkan output histogramnya.

Gambar 4.5. Jendela dialog pilihan variabel untuk pembuatan histogram

Output histogram untuk data LIFEEXPF yang diperoleh dari perintah di atas dapat dilihat
pada Gambar 4.6. Dalam contoh ini, digunakan metode auto untuk pemilihan jumlah
interval, yaitu metode Sturges dan Cacahan Frekuensi yang digunakan untuk nilai (Skala
Sumbu) yang diplotkan pada histogram. Selain itu dapat digunakan pilihan Persentase
atau Kepadatan pada Skala Sumbu.

Output histogram ini dapat disimpan dengan menggunakan menu File, dan pilih
Save as dari jendela grafik. Pilihlah output yang sesuai, misalkan saja dalam format PDF.
Maka pilih format PDF dalam daftar format file output. Selanjutnya, beri nama file
output dengan histogramLIFEEXPF.PDF. Selain itu, output histogram ini dapat pula
disimpan dalam format Metafile, Postcript, Png, Bmp, dan Jpeg.

Jika file histogram ini ingin dikopi untuk di insert kedalam program lain, misalkan
kedalam Microsoft Word, maka dapat digunakan menu File, pilih Copy to the clipboard,
dan pilih as a Bitmap atau Ctrl‐C. Kemudian, buka program Microsoft Word, maka file
grafik dapat di paste kan menggunakan perintah Ctrl‐V.

‐ 46 ‐
©sht90 Grafik Menggunakan R‐Commander

Gambar 4.6. Output histogram pada variabel LIFESXPF

Selain menggunakan menu di R‐Commander, pembuatan histogram dapat juga

dilakukan dengan command line di R‐Console, yaitu dengan command hist diikuti
argumen optional yang diinginkan. Berikut adalah contoh pembuatan histogram dengan
command line untuk variabel LIFEEXPF dan LIFEEXPM (usia harapan hidup pria di suatu
negara).

> Hist(latihan4$LIFEEXPF, scale="frequency", breaks="Sturges", col="darkgray")

> Hist(latihan4$LIFEEXPF, scale="frequency", breaks=10, col="darkgray")
> hist(latihan4$LIFEEXPF)

> # lihat perbedaan output histogram yang dihasilkan

> Hist(latihan4$LIFEEXPM, scale="frequency", breaks="Sturges", col="darkgray")

> Hist(latihan4$LIFEEXPM, scale="frequency", breaks=10, col="darkgray")
> hist(latihan4$LIFEEXPM)

‐ 47 ‐
©sht90 Grafik Menggunakan R‐Commander

4.3. Diagram Batang dan Daun (Stem‐and‐Leaf)

Menu yang digunakan untuk membuat diagram batang dan daun adalah Grafik,
pilih Sajian Batang dan Daun… . Misalkan akan dibuat diagram batang dan daun untuk
variabel LIFEEXPF, maka pada jendela dialog yang muncul, pilih LIFEEXPF seperti pada
Gambar 4.7.

Gambar 4.7. Jendela dialog untuk pembuatan diagram batang dan daun

Isikan argumen optional yang diinginkan pada kolom‐kolom yang tersedia, dan klik OK
untuk menampilkan output diagram batang dan daun. Output dari diagram ini akan
ditampilkan di Jendela Keluaran pada R‐Commander seperti pada Gambar 4.8.

Output tersebut menjelaskan bahwa bilangan pada daun menunjukkan nilai‐nilai

satuan. Sehingga dapat diinterpretasikan bahwa usia harapan hidup wanita yang
terendah adalah 43 tahun dan yang tertinggi adalah 82 tahun. Ada 3 (tiga) negara
dengan usia harapan hidup wanitanya sebesar 82 tahun. Dalam contoh ini, pilihan
Automatik menghasilkan diagram batang dan daun dengan jumlah kelas dalam setiap
batang adalah 5 kelas interval.

‐ 48 ‐
©sht90 Grafik Menggunakan R‐Commander

> stem.leaf(latihan4$LIFEEXPF)
1 | 2: represents 12
leaf unit: 1
n: 109

LO: 43 44 44 45 45 46 47
9 5* | 00
12 t | 223
15 f | 455
17 s | 77
22 5. | 88889
6* |
23 t | 3
26 f | 455
32 s | 677777
39 6. | 8888899
45 7* | 000001
51 t | 222333
(14) f | 44444555555555
44 s | 66666777777888888888
24 7. | 9999999
17 8* | 00000001111111
3 t | 222

Gambar 4.8. Output diagram batang dan daun pada variabel LIFESXPF

Pembuatan diagram batang dan daun ini dapat juga dilakukan dengan command
line di R‐Console, yaitu dengan command stem.leaf diikuti argumen optional yang
diinginkan. Berikut adalah contoh pembuatan diagram batang dan daun dengan
command line untuk variabel LIFEEXPF dan LIFEEXPM.

> stem.leaf(latihan4$LIFEEXPF)
> stem.leaf(latihan4$LIFEEXPF, m=2)
> stem.leaf(latihan4$LIFEEXPF, style="bare", unit=1)

> # lihat perbedaan output diagram batang dan daun yang dihasilkan

> stem.leaf(latihan4$LIFEEXPM)
> stem.leaf(latihan4$LIFEEXPM, m=3)
> stem.leaf(latihan4$LIFEEXPF, style="bare", unit=1)
 FUNGSI DISTRIBUSI PELUANG DI R‐Commander

Pada bab ini akan dijelaskan penggunaan R‐Commander untuk perhitungan yang
berkaitan dengan fungsi distribusi peluang. R‐Commander menyediakan menu untuk
melakukan beberapa operasi standar yang berkaitan dengan fungsi distribusi peluang,
yaitu :

ƒ Perhitungan nilai kuantil

ƒ Perhitungan nilai peluang
ƒ Pembuatan plot distribusi atau grafik densitas
ƒ Pembuatan plot distribusi kumulatif
ƒ Pembangkitan data atau random data

Secara umum ada dua macam distribusi yang disediakan paket R, yaitu Distribusi
Kontinu dan Diskrit. Untuk mengetahui distribusi kontinu atau diskrit apa saja yang ada
di R, dapat dilakukan dengan memilih menu Distribusi, kemudian pilih Distribusi
Kontinu, sehingga akan muncul pilihan dari berbagai distribusi kontinu yang ada di R,
seperti yang terlihat pada Gambar 5.1.

Gambar 5.1. Jendela dialog untuk pilihan Distribusi Kontinu

Dari Gambar 5.1 dapat dilihat macam‐macam distribusi kontinu yang ada di R, yaitu
Distribusi Normal, t, Chi‐kuadrat, F, Eksponensial, Seragam, Beta, Cauchy, Logistik, Log‐
Normal, Gamma, Weibull, dan Gumbel. Secara umum, proses perhitungan yang berkaitan
dengan distribusi peluang untuk macam‐macam distribusi kontinu tersebut adalah relatif
sama. Untuk itu, pada bab ini fokus pembahasan hanya diberikan pada distribusi yang banyak
dipakai di analisis statistika dasar, yaitu Distribusi Normal.

‐ 61 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Distribusi Diskrit yang disediakan di R dapat dilihat dengan memilih menu

Distribusi, kemudian pilih Distribusi Diskrit, sehingga akan muncul pilihan dari berbagai
distribusi diskrit yang ada di R, seperti yang terlihat pada Gambar 5.2. Dari gambar ini
dapat dilihat bahwa distribusi diskrit yang ada di R adalah Distribusi Binomial, Poisson,
Geometrik, Hipergeometrik, dan Binomial Negatif.

Gambar 5.2. Jendela dialog untuk pilihan Distribusi Diskrit

5.1. Fungsi Distribusi Kontinu

Pada bagian ini akan dijelaskan cara perhitungan berkaitan dengan fungsi
distribusi peluang, yaitu perhitungan nilai kuantil, pembuatan plot atau grafik densitas,
pembuatan plot distribusi kumulatif, dan pembangkitan data dari distribusi kontinu,
khususnya Distribusi Normal yang banyak digunakan dalam analisis statistika dasar.
Secara umum, fungsi kepadatan probabilitas dari Distribusi Normal adalah sebagai
berikut
2
1 x− μ
−
1
f (x) = e 2 σ , untuk −∞ < x < ∞
2π σ

dengan parameter μ adalah nilai rata‐rata, dan σ adalah deviasi standar.

5.1.1. Menghitung Kuantil dari Distribusi Normal

Perhitungan nilai kuantil tertentu dari Distribusi Normal dapat dilakukan dengan
R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi Kontinu, pilih Distribusi
Normal, dan kemudian klik Kuantil Normal… . Setelah itu akan terlihat jendela pilihan
untuk mendapatkan kuantil yang akan dicari seperti pada Gambar 5.3.

‐ 62 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Gambar 5.3. Jendela dialog untuk perhitungan Kuantil Normal

Misalkan akan dihitung nilai kuantil α=0,05 (5%) dari Distribusi Normal Standar,
yaitu ingin dicari nilai Zα sedemikian hingga
P(Z ≤ Zα ) = 0,05 (luasan lower tail atau ekor bawah),

maka pada jendela isian Peluang tulis nilai 0.05. Dalam hal ini rata‐rata adalah 0 dan deviasi
standar 1. Kemudian klik OK, sehingga akan diperoleh nilai pada jendela keluaran
R‐Commander yaitu Z0,05 = −1.644854 . Pilihan ekor atas atau upper tail digunakan jika
ingin dicari nilai Z1−α sedemikian hingga
P(Z ≤ Z1−α ) = 1 − α (luasan upper tail atau ekor atas).
Jika pilihan ekor atas yang digunakan, maka keluaran R‐Commander memberikan nilai
1.644854 pada jendela keluarannya.
Selain menggunakan menu di R‐Commander, perhitungan kuantil normal dapat
juga dilakukan dengan command line di R‐Console, yaitu dengan command qnorm
diikuti argumen optional yang diinginkan. Berikut adalah contoh perhitungan kuantil
normal dengan command line untuk α=0,05.

> qnorm(c(0.05), mean=0, sd=1, lower.tail=TRUE)

[1] ‐1.644854
> qnorm(c(0.05), mean=10, sd=2, lower.tail=TRUE)
[1] 6.710293
> qnorm(c(0.05), mean=0, sd=1, lower.tail=FALSE)
[1] 1.644854
> qnorm(c(0.05), mean=10, sd=2, lower.tail=FALSE)
[1] 13.28971

‐ 63 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

5.1.2. Menghitung Peluang dari Distribusi Normal

Perhitungan peluang dari suatu nilai tertentu dari Distribusi Normal dapat
dilakukan dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi
Kontinu, pilih Distribusi Normal, dan kemudian klik Peluang Normal… . Setelah itu akan
terlihat jendela pilihan untuk memperoleh peluang yang dicari seperti pada Gambar 5.4
berikut ini.

Gambar 5.4. Jendela dialog untuk perhitungan Peluang Normal

Ada empat isian utama dari jendela dialog untuk perhitungan Peluang Normal, yaitu
Nilai peubah, mu, sigma, dan pilihan Ekor bawah atau Ekor atas. Secara matematis,
fasilitas ini dapat digunakan untuk menghitung

P( X ≤ c) = … ? (luasan lower tail atau ekor bawah),

dan
P( X ≥ c) = … ? (luasan upper tail atau ekor atas),

dari suatu peubah (variabel) random X yang berdistribusi Normal, atau X ~ N (μ, σ ) .

Misalkan akan dihitung nilai peluang dari Distribusi Normal Standar, yaitu ingin
dicari nilai
P(Z ≤ −3) = … ? (luasan lower tail atau ekor bawah),
maka pada jendela isian Nilai peubah tulis nilai ‐3. Dalam hal ini rata‐rata adalah 0 dan deviasi
standar 1. Klik OK, sehingga akan diperoleh nilai 0.001349898 pada jendela keluaran R‐
Commander. Pilihan ekor atas atau upper tail digunakan jika ingin dicari nilai
P(Z ≥ c) = … ? (luasan upper tail atau ekor atas).
Jika pilihan ekor atas yang digunakan dan c = 3 , maka keluaran R‐Commander juga akan
memberikan nilai 0.001349898 pada jendela keluarannya.

‐ 64 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Perhitungan peluang normal dapat juga dilakukan dengan command line di R‐

Console, yaitu dengan command pnorm diikuti argumen optional yang diinginkan.
Berikut adalah contoh perhitungan peluang normal dengan command line untuk
berbagai nilai peubah.

> pnorm(c(‐3), mean=0, sd=1, lower.tail=TRUE)

[1] 0.001349898
> pnorm(c(6.710293), mean=10, sd=2, lower.tail=TRUE)
[1] 0.05000001
> pnorm(c(3), mean=0, sd=1, lower.tail=FALSE)
[1] 0.001349898
> pnorm(c(13.28971), mean=10, sd=2, lower.tail=FALSE)
[1] 0.04999986

5.1.3. Membuat Plot dari Distribusi Normal

Plot dari Distribusi Normal teoritis dengan rata‐rata dan deviasi standar tertentu
dapat dilakukan dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi
Kontinu, pilih Distribusi Normal, dan kemudian klik Plot Distribusi Normal… . Setelah
itu akan terlihat jendela pilihan untuk mendapatkan plot distribusi normal teoritis yang
ingin dicari seperti pada Gambar 5.5 di bawah ini.

Gambar 5.5. Jendela dialog untuk pembuatan Plot Distribusi Normal

Misalkan akan dibuat plot fungsi kepadatan peluang dari Distribusi Normal Standar,
maka pada jendela isian mu (rerata) tulis nilai 0 dan sigma (simpangan baku) 1. Klik pilihan
Plot fungsi kepadatan, dan kemudian klik OK, sehingga akan diperoleh plot fungsi kepadatan
dari Distribusi Normal Standar seperti pada Gambar 5.6 berikut ini.

‐ 65 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Gambar 5.6. Output plot fungsi kepadatan Distribusi Normal Standar

Jika pilihan Plot fungsi distribusi (kumulatif) yang dipilih, maka akan diperoleh output
plot fungsi distribusi kumulatif dari Distribusi Normal Standar seperti terlihat pada
Gambar 5.7.

Gambar 5.7. Output plot fungsi distribusi kumulatif dari Distribusi Normal Standar

‐ 66 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dapat juga
dilakukan dengan command line di R‐Console, yaitu dengan command dnorm (untuk
plot fungsi kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif)
diikuti argumen optional yang diinginkan. Berikut adalah contoh pembuatan plot fungsi
kepadatan dengan command line untuk suatu nilai peubah.

> .x <‐ seq(‐3.291, 3.291, length=100)

> plot(.x, dnorm(.x, mean=0, sd=1), xlab="x", ylab="Density",
main=expression(paste("Normal Distribution: ", mu, " = 0,
", sigma, " = 1")), type="l")
> abline(h=0, col="gray")

Sedangkan contoh pembuatan plot fungsi distribusi kumulatif dengan command line
untuk suatu nilai peubah adalah seperti berikut.

> .x <‐ seq(‐4, 4, length=100)

> plot(.x, pnorm(.x, mean=0, sd=1), xlab="x", ylab="Cumulative
Probability", main=expression(paste("Normal Distribution: ", mu, " =
0, ", sigma, " = 1")), type="l")
> abline(h=0, col="gray")
> # perhatikan perbedaan output yang dihasilkan

5.1.4. Membangkitkan Data dari Distribusi Normal

R menyediakan fasilitas untuk membangkitkan data yang mengikuti distribusi
statistika tertentu. Misalkan akan dibangkitkan data yang mengikuti distribusi normal, maka
dapat digunakan menu Distribusi, pilih Distribusi Kontinu, pilih Distribusi Normal, dan
kemudian klik Sampel dari Distribusi Normal… . Setelah itu akan terlihat jendela pilihan
untuk pembangkitan data dari distribusi normal seperti pada Gambar 5.8.
Sebagai contoh, akan dibangkitkan data sebanyak 15 baris dan 10 kolom yang
mengikuti Distribusi Normal Standar, maka tulis nama dataset hasil dari data bangkitan
pada isian Masukkan nama untuk data set (misalkan dengan nama latihan5). Pada
jendela isian mu (rerata) tulis nilai 0, sigma (simpangan baku) 1, Ukuran sampel (baris)
15, dan Banyaknya pengamatan (kolom) 10. Jika rata‐rata sampel juga ingin
ditambahkan, maka klik pada pilihan Rerata sampel, dan kemudian klik OK. Pilihan‐
pilihan yang lain, yaitu Jumlah sampel dan Deviasi baku sampel juga dapat ditampilkan
jika diinginkan.

‐ 67 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Gambar 5.8. Jendela dialog untuk membangkitkan data dari Distribusi Normal

Untuk mengetahui hasil data yang dibangkitkan, klik pilihan Lihat data set pada
R‐Commander, sehingga akan terlihat data‐data hasil bangkitan seperti pada Gambar
5.9. Secara umum akan diperoleh 15 baris sampel dan 11 kolom data, yaitu 10 kolom
data hasil bangkitan dan 1 kolom terakhir yang berisi rata‐rata dari setiap sampel yang
dibangkitkan.

Gambar 5.9. Output data hasil bangkitan dari Distribusi Normal Standar

‐ 68 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Pembangkitan data dari suatu distribusi statistika tertentu ini juga dapat
dilakukan dengan command line di R‐Console, yaitu dengan command rnorm (untuk
Distribusi Normal) diikuti argumen optional yang diinginkan. Berikut adalah contoh
pembangkitan data dengan command line untuk Distribusi Normal dengan rata‐rata dan
deviasi standar tertentu.

> rnorm(15, mean=0, sd=1)

[1] 0.66025751 ‐0.20716294 ‐1.03768624 ‐1.59951444 ‐0.09030604 ‐1.90549079
[7] ‐1.68778843 0.08368423 ‐0.96472623 ‐0.10300876 0.27261101 0.16491906
[13] 0.52697799 ‐0.57448961 ‐0.45865682

> latihan5 <‐ as.data.frame(matrix(rnorm(15*10, mean=0, sd=1), ncol=10))

> rownames(latihan5) <‐ paste("sample", 1:15, sep="")
> colnames(latihan5) <‐ paste("obs", 1:10, sep="")
> latihan5$mean <‐ rowMeans(latihan5[,1:10])
> showData(latihan5, placement='‐20+200',
font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

> # Bangkitkan data dan simpan hasilnya dalam bentuk seperti matriks
> as.data.frame(matrix(rnorm(15*5, mean=100, sd=10), ncol=5))
V1 V2 V3 V4 V5
1 84.46823 108.53078 104.05075 77.02379 91.55903
2 98.15929 93.74033 124.44052 80.38603 102.47690
3 95.00374 106.84794 104.09301 106.48609 97.34608
4 101.29297 118.54484 81.04212 98.63245 102.88233
5 98.92599 86.56266 86.52845 66.00474 90.27446
6 95.15418 102.50113 105.34845 79.55246 97.73824
7 106.38983 89.38471 85.31907 100.10805 91.51123
8 86.04483 104.22601 80.81650 101.08752 120.83886
9 84.41069 105.68604 91.14394 99.07307 99.37543
10 112.78286 104.58306 108.08592 109.01078 110.87053
11 109.17854 99.67204 97.54832 91.57182 104.02405
12 100.85442 98.14412 100.82436 97.54563 88.32492
13 111.41381 100.48431 103.03010 100.38959 101.00266
14 124.13427 101.54886 98.13771 102.57961 114.76246
15 93.99127 108.28097 107.97942 94.53939 86.20123
16 90.35201 123.02141 103.70384 95.25282 100.77538

Secara umum R menyediakan fasilitas untuk membangkitkan data dari berbagai

distribusi statistika yang kontinu. Daftar lengkap berkaitan dengan command line di R
untuk membangkitkan data dari distribusi kontinu beserta argumen dan library yang
diperlukan dapat dilihat pada Tabel 5.1.

‐ 69 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Tabel 5.1. Daftar fungsi R (command line) untuk membangkitkan data

yang mengikuti suatu distribusi kontinu tertentu

Distribusi Kontinu Fungsi R Argumen yang diperlukan library

Beta rbeta n, shape1, shape2 stats

Cauchy rcauchy n, location = 0, scale = 1 stats
Chi‐squared rchisq n, df stats
Eksponensial rexp n, rate stats
F rf n, df1, df2 stats
Gamma rgamma n, shape, rate = 1 stats
Log‐normal rlnorm n, mean, sd stats
Logistic rlogis n, location = 0, scale = 1 stats
Normal rnorm n, mean, sd stats
Student‐t rt n, df stats
Seragam (Uniform) runif n, min, max stats
Weibull rweibull n, shape, scale = 1 stats
Multivariate Normal mvrnorm n = 1, mu, Sigma MASS

5.2. Fungsi Distribusi Diskrit

Seperti pada bagian Distribusi Kontinu, pada bagian Fungsi Distribusi Diskrit ini
akan dijelaskan cara perhitungan berkaitan dengan fungsi distribusi peluang, yaitu
perhitungan nilai kuantil, pembuatan plot atau grafik densitas, pembuatan plot distribusi
kumulatif, dan pembangkitan data dari suatu distribusi diskrit. Dalam hal ini, fokus
pembahasan hanya diberikan pada Distribusi Binomial, sedangkan untuk distribusi
diskrit yang lain dapat dilakukan dengan cara yang relatif sama.
Secara umum, fungsi kepadatan probabilitas dari Distribusi Binomial adalah
sebagai berikut
n
f (x) = p
x (1− p) n−x , untuk x = {0,1,2,K, n)

x
dengan n adalah banyaknya pengamatan atau percobaan binomial, p adalah peluang
sukses untuk suatu percobaan binomial, dan (1− p) adalah peluang gagal atau tidak
suksesnya. Notasi untuk peubah dan distribusinya adalah X ~ B(n, p) .

‐ 70 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

5.2.1. Menghitung Kuantil dari Distribusi Binomial

Perhitungan nilai kuantil tertentu dari Distribusi Binomial dapat dilakukan
dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi Diskrit, pilih
Distribusi Binomial, dan kemudian klik Kuantil Binomial… . Setelah itu akan terlihat
jendela pilihan untuk mendapatkan kuantil yang akan dicari seperti pada Gambar 5.10.

Gambar 5.10. Jendela dialog untuk menghitung Kuantil Binomial

Misalkan akan dihitung nilai kuantil α=0,25 (25%) dari Distribusi Binomial dengan n=20
dan p=0.5 atau X ~ B(20,0.5) , yaitu ingin dicari nilai Xα sedemikian hingga
P( X ≤ Xα ) = 0,25 (luasan lower tail atau ekor bawah).

Untuk mendapatkan kuantil di atas, maka pada jendela isian Peluang tulis nilai 0.25, Trial
Binomial 20, dan Peluang Sukses 0.5. Kemudian klik OK, sehingga akan diperoleh nilai
pada jendela keluaran R‐Commander yaitu X 0,25 = 8 , yang berarti
P( X ≤ 8) = 0,25 .

Pilihan ekor atas (upper tail) digunakan jika akan dicari nilai X1−α sedemikian
hingga
P( X ≤ X1−α ) = 1 − α (luasan upper tail atau ekor atas).

Jika pilihan ekor atas yang digunakan, maka keluaran R‐Commander memberikan nilai
12 pada jendela keluarannya, yang berarti

P( X ≤ 12) = 0,75 .

Perhitungan kuantil binomial dapat juga dilakukan dengan command line di R‐

Console, yaitu dengan command qbinom diikuti argumen optional yang diinginkan.
Berikut adalah contoh perhitungan kuantil binomial dengan command line untuk α=0,25
dan α yang lain.

‐ 71 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

> qbinom(c(0.25), size=20, prob=0.5, lower.tail=TRUE)

[1] 8
> qbinom(c(0.25), size=20, prob=0.5, lower.tail=FALSE)
[1] 12
> qbinom(c(0.75), size=20, prob=0.5, lower.tail=TRUE)
[1] 12

5.2.2. Menghitung Peluang dari Distribusi Binomial

Perhitungan peluang kumulatif untuk nilai tertentu dari Distribusi Binomial
dapat dilakukan dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi
Diskrit, pilih Distribusi Binomial, dan klik Peluang ujung Binomial… . Setelah itu akan
terlihat jendela pilihan untuk memperoleh peluang yang dicari seperti Gambar 5.11.

Gambar 5.11. Jendela dialog untuk menghitung Peluang Binomial Kumulatif

Misalkan akan dihitung nilai peluang dari Distribusi Binomial Kumulatif, yaitu
ingin dicari nilai P( X ≤ 8) (luasan lower tail atau ekor bawah) dari Distribusi Binomial
dengan n=20 dan p=0.5, maka pada jendela isian Nilai peubah tulis nilai 8. Dalam contoh
ini isikan Trial Binomial 20, dan Peluang Sukses 0.5. Klik OK, sehingga akan diperoleh
nilai 0. 2517223 pada jendela keluaran R‐Commander.
Selain itu, R juga memberikan fasilitas untuk menghitung nilai peluang untuk
suatu nilai tertentu. Misalkan akan dicari P( X = 8) dari Distribusi Binomial dengan n=20
dan p=0.5. Untuk itu, pilih menu Distribusi, pilih Distribusi Diskrit, pilih Distribusi
Binomial, dan klik Peluang Binomial… . Isikan Trial Binomial 20, dan Peluang Sukses 0.5.
Klik OK, maka akan ditampilkan nilai peluang untuk X = 0,1,2,K,20 .

‐ 72 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Perhitungan peluang binomial dan peluang binomial kumulatif dapat juga

dilakukan dengan command line di R‐Console, yaitu dengan command pbinom (untuk
peluang) dan pbinom (untuk peluang kumulatif) diikuti argumen optional yang di‐
inginkan. Berikut adalah contoh perhitungan peluang binomial dan peluang binomial
kumulatif dengan command line untuk nilai‐nilai tertentu.

> dbinom(8, size=20, prob=0.5)

[1] 0.1201344

> pbinom(c(8), size=20, prob=0.5, lower.tail=TRUE)

[1] 0.2517223

> pbinom(c(8), size=20, prob=0.5, lower.tail=FALSE)

[1] 0.7482777

> pbinom(c(11), size=20, prob=0.5, lower.tail=FALSE)

[1] 0.2517223

> dbinom(0:20, size=20, prob=0.5)

[1] 9.536743e‐07 1.907349e‐05 1.811981e‐04 1.087189e‐03 4.620552e‐03
[6] 1.478577e‐02 3.696442e‐02 7.392883e‐02 1.201344e‐01 1.601791e‐01
[11] 1.761971e‐01 1.601791e‐01 1.201344e‐01 7.392883e‐02 3.696442e‐02
[16] 1.478577e‐02 4.620552e‐03 1.087189e‐03 1.811981e‐04 1.907349e‐05
[21] 9.536743e‐07

> .Table <‐ data.frame(Pr=dbinom(0:20, size=20, prob=0.5))

> rownames(.Table) <‐ 0:20
> .Table
Pr
0 9.536743e‐07
1 1.907349e‐05
2 1.811981e‐04
3 1.087189e‐03
4 4.620552e‐03
5 1.478577e‐02
6 3.696442e‐02
… …………………..
16 4.620552e‐03
17 1.087189e‐03
18 1.811981e‐04
19 1.907349e‐05
20 9.536743e‐07

‐ 73 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

5.2.3. Membuat Plot dari Distribusi Binomial

Plot dari Distribusi Binomial teoritis dengan n dan p tertentu dapat dilakukan
dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi Diskrit, pilih
Distribusi Normal, dan kemudian klik Plot Distribusi Binomial… . Setelah itu akan
terlihat jendela pilihan untuk mendapatkan plot distribusi binomial teoritis yang ingin
dicari seperti pada Gambar 5.12.

Gambar 5.12. Jendela dialog untuk membuat Plot Distribusi Binomial

Misalkan akan dibuat plot fungsi kepadatan peluang dari Distribusi Binomial dengan
n=20 dan p=0.5, atau akan ditampilkan secara grafik nilai‐nilai dari f (x) = P( X = x)
untuk X ~ B(20,0.5) , atau

20 x 20−x
f (x) = 0,5 (1− 0,5) , untuk x = {0,1,2,K,20) .

x
Untuk menampilkan itu, maka pada jendela tulis 20 pada isian Trial Binomial, dan tulis
0.5 pada isian Peluang Sukses.
Setelah itu pilih plot yang akan dibuat, misalkan saja plot fungsi kepadatan
peluang, maka klik pilihan Plot fungsi kepadatan peluang. Klik OK, sehingga akan
diperoleh plot fungsi kepadatan dari Distribusi Binomial dengan n=20 dan p=0.5 seperti
pada Gambar 5.13. Dari gambar ini dapat dilihat bahwa nilai f (x) terbesar adalah pada
X = 10 , yang secara matematis dapat dihitung seperti berikut

20 10 20−10
f (10) = 0,5 (1− 0,5)

10
20
= 0,5
10 (0,5) 10
10

= 0,1601.

‐ 74 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Gambar 5.13. Output plot fungsi kepadatan Distribusi Binomial dengan n=20 dan p=0.5

Jika pilihan Plot fungsi distribusi (kumulatif) atau F (x) = P( X ≤ x) yang dipilih,
maka akan diperoleh output plot fungsi distribusi kumulatif dari Distribusi Binomial
dengan n=20 dan p=0.5 seperti pada Gambar 5.14 berikut ini.

Gambar 5.14. Output plot fungsi Distribusi Kumulatif Binomial dengan n=20 dan p=0.5

‐ 75 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dapat juga
dilakukan dengan command line di R‐Console, yaitu dengan command dnorm (untuk
plot fungsi kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif)
diikuti argumen optional yang diinginkan. Berikut adalah contoh pembuatan plot‐plot
tersebut dengan command line untuk suatu nilai peubah.

> # Perintah untuk pembuatan plot fungsi kepadatan binomial

> .x <‐ 3:17

> plot(.x, dbinom(.x, size=20, prob=0.5), xlab="Number of Successes",
ylab="Probability Mass", main="Binomial Distribution: Trials =
20, Probability of success = 0.5", type="h")
> points(.x, dbinom(.x, size=20, prob=0.5), pch=16)
> abline(h=0, col="gray")

> # Perintah untuk pembuatan plot fungsi distribusi kumulatif binomial

> .x <‐ rep(.x, rep(2, length(.x)))

> plot(.x[‐1], pbinom(.x, size=20, prob=0.5)[‐length(.x)],
xlab="Number of Successes", ylab="Cumulative Probability",
main="Binomial Distribution: Trials = 20, Probability of success =
0.5", type="l")
> abline(h=0, col="gray")

5.2.4. Membangkitkan Data dari Distribusi Binomial

Seperti pada distribusi kontinu, R menyediakan fasilitas untuk membangkitkan
data yang mengikuti distribusi diskrit tertentu. Misalkan akan dibangkitkan data yang
mengikuti distribusi binomial, maka dapat digunakan menu Distribusi, pilih Distribusi
Diskrit, pilih Distribusi Binomial, dan kemudian klik Sampel dari Distribusi Binomial… .
Setelah itu akan terlihat jendela pilihan untuk pembangkitan data dari distribusi binomial
seperti pada Gambar 5.15.
Sebagai contoh, akan dibangkitkan data sebanyak 15 baris dan 5 kolom yang
mengikuti Distribusi Binomial dengan n=20 dan p=0.5, maka tulis nama dataset hasil
data bangkitan pada isian Masukkan nama untuk data set (misalkan BinomialSamples).
Tulis angka 20 pada kolom isian Trial Binomial, dan angka 0.5 pada isian Peluang Sukses.
Selanjutnya, pada pilihan Ukuran sampel (baris) ketik angka 15 dan 5 pada Banyaknya
pengamatan (kolom). Jika rata‐rata sampel juga ingin ditambahkan, maka klik pada
pilihan Rerata sampel, dan kemudian klik OK. Pilihan‐pilihan yang lain, yaitu Jumlah
sampel dan Deviasi baku sampel juga dapat ditampilkan jika diinginkan, yaitu dengan
melakukan klik pada kedua pilihan tersebut.

‐ 76 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Gambar 5.15. Jendela dialog untuk membangkitkan data dari Distribusi Binomial

Untuk mengetahui hasil data yang dibangkitkan, klik pilihan Lihat data set pada R‐
Commander, sehingga akan terlihat data‐data hasil bangkitan seperti pada Gambar 5.16.
Secara umum akan diperoleh 15 baris sampel dan 6 kolom data, yaitu 5 kolom data hasil
bangkitan dan 1 kolom terakhir yang berisi rata‐rata dari setiap sampel bangkitan.

Gambar 5.16. Output data hasil bangkitan dari Distribusi Binomial (n=20 dan p=0.5)
Fungsi Distribusi Peluang di R‐Commander

Proses pembangkitan data dari suatu distribusi statistika yang diskrit ini juga
dapat dilakukan dengan command line di R‐Console, yaitu dengan command rbinom
(untuk Distribusi Binomial) diikuti argumen optional yang diinginkan. Berikut adalah
contoh pembangkitan data dengan command line untuk Distribusi Binomial dengan n
dan p tertentu.

> rbinom(100, size=20, prob=0.5)

[1] 12 12 9 12 13 6 8 8 7 11 11 7 10 8 9 12 9 9 10 10 8 12 8 9 9
[26] 11 8 12 12 11 13 15 6 11 11 12 8 10 11 9 8 11 12 8 13 10 14 12 12 11
[51] 12 11 11 12 11 11 7 17 6 12 9 6 11 10 7 8 8 11 9 10 8 7 10 11 6
[76] 14 9 12 9 9 7 10 12 11 14 12 12 13 13 3 12 12 14 10 10 8 6 9 15 15

> # Bangkitkan data binomial dan simpan hasilnya dalam matriks

> matrix(rbinom(15*5, size=20, prob=0.5), ncol=5)
[,1] [,2] [,3] [,4] [,5]
[1,] 13 11 4 14 8
[2,] 11 10 12 8 10
[3,] 13 11 12 8 10
[4,] 12 8 11 9 9
[5,] 11 7 8 7 10
[6,] 11 11 10 11 14
[7,] 10 9 11 11 9
[8,] 11 12 12 7 12
[9,] 11 12 10 13 8
[10,] 12 8 12 11 6
[11,] 8 11 8 13 5
[12,] 13 11 9 12 8
[13,] 13 9 9 10 6
[14,] 10 9 11 12 10
[15,] 12 10 12 11 8

> BinomialSamples <‐ as.data.frame(matrix(rbinom(15*5, size=20, prob=0.5), ncol=5))

> rownames(BinomialSamples) <‐ paste("sample", 1:15, sep="")
> colnames(BinomialSamples) <‐ paste("obs", 1:5, sep="")
> BinomialSamples$mean <‐ rowMeans(BinomialSamples[,1:5])
> showData(BinomialSamples, placement='‐20+200',
font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

Secara umum R menyediakan fasilitas untuk membangkitkan data dari berbagai

distribusi statistika yang diskrit. Daftar lengkap berkaitan dengan command line di R
untuk membangkitkan data dari distribusi diskrit beserta argumen dan library yang di‐
perlukan dapat dilihat pada Tabel 5.2.

‐ 78 ‐
©sht90 Fungsi Distribusi Peluang di R‐Commander

Tabel 5.2. Daftar fungsi R (command line) untuk membangkitkan data

yang mengikuti suatu distribusi diskrit tertentu

Distribusi Diskrit Fungsi R Argumen yang diperlukan library

Binomial rbinom n, size, prob stats

Binomial Negatif rnbinom n, size, prob, mu stats
Geometrik rgeom n, prob stats
Hipergeometrik rhyper nn, m, n, k stats
Poisson rpois n, lambda stats

Berikut ini adalah ringkasan fungsi kepadatan probabilitas dari distribusi diskrit yang
disediakan R pada tabel diatas.

ƒ Distribusi Binomial Negatif

Γ(x + n) n x
f (x) = Γ(n) x! p (1− p) , untuk x = {0,1,2,K, n > 0} dan 0 < p ≤ 1 .

Distribusi ini merepresentasikan banyaknya kegagalan yang terjadi dalam suatu

barisan percobaan Bernoulli sebelum suatu target dari sejumlah sukses dicapai.

ƒ Distribusi Geometrik
x−1
f (x) = p(1− p) , untuk x = {1,2,K} dan 0 < p ≤ 1 .
Distribusi ini merepresentasikan terjadinya sukses pertama kali pada percobaan ke x
dalam suatu barisan percobaan Bernoulli.

ƒ Distribusi Hipergeometrik

m+n
k

m n
x k−x
f (x) = , untuk x = {0,1,2,K, k} .

Distribusi ini digunakan untuk sampling tanpa pengembalian. Fungsi kepadatan

distribusi ini mempunyai parameter m (banyaknya objek group 1 yang berkaitan
dengan banyaknya sukses), n (banyaknya objek group 2), dan k (banyaknya objek
yang diambil tanpa pengembalian).

ƒ Distribusi Poisson
λx e−λ
f (x) = , untuk x = {1,2,K} dan λ = parameter rata‐rata .
x!