#CONVERTNG

#CONVERT FACTOR TO KARAKTER OR NUMERIC

as.numeric (nama data)
as.character(nama data)

#SELECTING
#MEMBERI NAMA KOLOM SUATU DATA
Colnames(namadata)<-c(“nama1”,”nama2)

#FILTER DATA MENURUT KATEGORI TERTENTU

data[data$sex=="male",]
data[data$sex=="male",3]
data[data$jur=="se",]
data[data$jur=="se"&data$sex=="male",]

#PANGGIL BARIS (CASE) TERTENTU

wp$S.Amer[which.row=c(1:5)]

#HAPUS VARIABEL TERTENTU

dat1$WEIND11<-NULL

#ANALISIS DESKRIPTIF
#UKURAN PEMUSATAN
mean(swiss$Fertility)
mean(InsectSprays$count[InsectSprays$spray=="kategori"]) #rata-rata dengan kategori tertentu
median(swiss$Fertility)
fer<-table(swiss$Fertility)
fer
modusfer<-names(fer)[which.max(fer)]
modusfer
rowSums(state.x77) #jumlah perkolom
colSums(state.x77) #jumlah perbaris
colMeans(state.x77) #mean perkolom

#UKURAN PENYEBARAN
sd(swiss$Fertility)
var(swiss$Fertility)
sd(swiss$Education)
cv_fer<-(sd(swiss$Fertility)/mean(swiss$Fertility))*100 #koefisien variasi
cv_ed<- (sd(swiss$Education)/mean(swiss$Education))*100
print(c(cv_fer, cv_ed))

#QUARTIL
quantile(swiss$Fertility, 0.25) #25% memiliki angka fertilitas
quantile(swiss$Fertility, 0.5)
quantile(swiss$Fertility, 0.75)
quantile (swiss$Fertility, c(0.25,0.5,0.75))

#NILAI MINIMUM DAN MAX

min(swiss$Fertility)
row.names(swiss)[which.min(swiss$Fertility)] #yg mana yang punyak fertilitas paling rendah
row.names(swiss)[which.max(swiss$Fertility)]
rangenya<-max(swiss$Fertility)-min(swiss$Fertility)
rangenya

#VISUALISASI DATA
#SCATTER PLOT
plot(swiss)
#MENAMBAH JUDUL DAN WARNA (WARNA, NAMA X, NAMAY, NAMA GRAFIK)
plot(swiss$Fertility,swiss$Education,col="orange",xlab="fertility",ylab="education", main="Scatter
Plot Between Fertility and Education",)
plot(swiss$Fertility,swiss$Education,col="orange",xlab="fertility",ylab="education", main="Scatter
Plot Between Fertility and Education",pch=5)
#MEMBUAT HISTOGRAM
hist(swiss$Fertility,xlab="fretility", ylab="frekuensi", col="red", main="hitogram")
#sumbu y nya adalah peluang
hist(swiss$Fertility,xlab="fretility", ylab="probability", col="red", main="hitogram",probability = T,
ylim=c(0,0.05))
#membuat garis poligon
lines(density(swiss$Fertility),lwd=5)
#MEMBUAT BOXPLOT
#otomatis ada labelnya tiap boxplot
boxplot(state.x77[1:3], xlab="variabel", ylab="Rate",col="green", main="Boxplot of Fertility")
#hanya satu diwakili xlab
boxplot(state.x77$Murder, xlab="Murder", ylab="Rate",col="green", main="Boxplot of Fertility")
#Jika label terpisah kolom, kolom digabung dulu, otomatis ternamai
gabung<-cbind(Income=state.x77$Income,Illiteracy=state.x77$Illiteracy)
boxplot(gabung, xlab=”Variabel”, ylab="Rate",col="green", main="Boxplot of Fertility")
#Jika suatu variabel dijadikan kategorik, maka otomatis jika diplot dg variabel rasio akan membentuk
boxplot ternamai
state.x77$tingkatIncom<-cut(state.x77$Income, breaks=c(-Inf, 4000, 4800, Inf), labels=c("low",
"medium", "high"))
plot(state.x77$tingkatIncom, state.x77$Illiteracy)
#BUAT VARIABEL KATEGORIK
#fertility (0-36 low, 37-73 medium, 73< high) variabel baru namanya swiss$grfer
swiss$grfer<-cut(swiss$Fertility, breaks=c(0,36,73,Inf), labels=c("low", "medium","high"))
head(swiss)
plot(swiss$grfer,swiss$Fertility,xlab="Fertility Group",ylab="fertility", main="Fertility Boxplot by
Group of Fertility")
#education (0-2 lw, 3-10 medium, 10< high)
summary(swiss$Education)
swiss$gredu<-cut(swiss$Education, breaks=c(0,2,10,Inf), labels=c("low","medium","high"))
plot(swiss$gredu,swiss$Fertility, xlab="gred", ylab="fertility", main="fertility boxplot by group of
education")
#semakin tinggi tingkat pendidikan, semakin rendah fertilitasnya
#STEM N LEAF
stem(swiss$Fertility) #paling dominan di angka 60an dan 70an
#DIAGRAM QQ PLOT
qqnorm(swiss$Fertility)
qqline(swiss$Fertility)

#DIAGRAM BATANG
#jika data rasio langsung saja
barplot(state.x77$Income)
#jika data kategorik dibuat tabel dulu, atau data rasio bisa dibuat kategorik dulu biar rapi
tab<-table(state.x77$tingkatIncom)
barplot(tab, xlab="Income", ylab="frekuensi", main="Tingkat Income")
#tabel bisa dibuat didalam (feed adalah kategorik)
barplot(table(chickwts$feed), xlab="Feed", ylab="Frekuensi", col=c(2:6))
#diberi arsiran pada diagram
barplot(table(chickwts$feed), xlab="Feed", ylab="Frekuensi", density = c(10,20,30,40,50,60),
col=c(1:6))
#barplot menyamping tiap variabel
mat<-cbind(amer=wp$N.Amer,erup=wp$Europe,asia=wp$Asia)
barplot(mat, col=rainbow(7),beside = T, xlab="tahun", ylab="angka")
legend("topright", c("1951","1956","1957","1958","1959","1960","1961"), cex=0.7, pch=15, col =
rainbow(7))
#barplot tambahan
tab1<-table(swiss$Fertility)
tab1
barplot(tab1)
tab1_grfer<-table(swiss$grfer)
tab1_grfer
barplot(tab1_grfer)
barplot(tab2) #numpuk
barplot(tab2,beside=T) #menyamping
barplot(tab2,beside=T, col=c("red","yellow", "green"), xlab="grfer")
legend("topright",c("low","medium","high"),col=c("red","yellow", "green"),pch=1)

#TABEL 2 DAN 3 ARAH

grfer<-swiss$grfer
gredu<-swiss$gredu
tab2<-table(grfer,gredu) #tabel 2 arah
tab2
prop.table(tab2) #menjadi persentase
tab3<-ftable(swiss$grfer,swiss$gredu,swiss$grfer) #tabel 3 arah
tab3
#LINGKARAN
pie(tab1_grfer,clockwise = T,col=c(1,2,3))
legend("topright",c("low","medium","high"),col=c(1,2,3),pch=1)

#GARIS
library(foreign)
dt<-read.spss("E:/Dhofirur/STIS/Tingkat 2/Asli/Komstat/Pertemuan 3/data_asli_1.sav",
to.data.frame = T)
head(dt)
plot(dt$No_Obs,dt$BI_Rate)
plot(dt$No_Obs,dt$BI_Rate, type="l", col="red", xlab="obsevasi", ylab="rate", ylim=c(0,15))
lines(dt$No_Obs,dt$Working_capital_rate,col="blue")
legend("bottomright", c("bi rate","working capital credit"), col=c("red","blue"),pch=5, cex=0.5)

#GRAFIK GARIS PER TAHUN

tahun<-c("2008","2009","2010","2011","2012")
bi_rate<-
c(mean(dt$BI_Rate[1:12]),mean(dt$BI_Rate[13:24]),mean(dt$BI_Rate[25:36]),mean(dt$BI_Rate[37:
48]),mean(dt$BI_Rate[49:60]))
bi_rate
wcp<-
c(mean(dt$Working_capital_rate[1:12]),mean(dt$Working_capital_rate[13:24]),mean(dt$Working_c
apital_rate[25:36]),mean(dt$Working_capital_rate[37:48]),mean(dt$Working_capital_rate[49:60]))
wcp
plot(tahun,bi_rate,type="l",col="blue",xlab="tahun",ylab="rate", ylim=c(0,15))
lines(tahun,wcp, col="red")
legend("topright", c("bi rate", "wcp"), col=c("blue","red"), pch=2)

#PELUANG NORMAL
#DIKETAHUI DARI 400 MAHASISWA STIS BERDISTRIBUDI NORMAL
#rata-rata tinggi badan adalah 165 cm dengan st.dev 5 cm
#berapa peluang seorang mahasiswa punya tinggi badan 164? P(X=164)
dnorm(164,mean=165,sd=5)
#BERAPA PELUANG SEORANG MAHASISWA PUNYA TINGGI BADAN KURANG DARI 164? P(X<164)
pnorm(164,mean=165,sd=5)
#P(X>164)
1-pnorm(164,mean=165,sd=5)
#JIKA DIKETAHUI PELUANGNYA ADALAH 0.05 BERAPA TINGGI BADAN MAKSIMAL MAHASISWA
TERSEBUT?
qnorm(0.05,mean=165,sd=5)
#NORMAL STANDAR
#P(X>1.96)
1-pnorm(1.96)

#MEMANGGIL
#CARA MANGGIL DATA DARI AXCEL
data<-read.csv("D:/data.csv")
data<-read.table("E:/Dhofirur/STIS/Tingkat 2/Asli/Komstat/data.txt,header=TRUE)

#MEMANGGIL DATA DARI SPSS

library(foreign)
data<-read.spss(“E:/Dhofirur/STIS/Tingkat 2/Asli/Komstat/data.sav",to.data.frame=TRUE)

#MEMANGGIL DATA DARI WORKING DIRECTORY

#atur directori
getwd()
setwd("E:/Dhofirur/STIS/Tingkat 2/Asli/Komstat")
data<-read.csv("data.csv")
data<-read.spss("data.sav",to.data.frame=TRUE)

#EKSPLORASI DATA
#PLOT
plot(mtcars) #semuanya
plot(mtcars$hp,mtcars$mpg) #variabel tertentu
#KORELASI
cor(mtcars) #semuanya
library(corrplot) #packages untuk korelasi
corrplot(cor(mtcars),method = "ellipse") #korelasi dengan elips

#REGRESI LINEAR SEDERHANA

#UJI LINEARITAS (terpenuhi jika p-value < alpha)
#resettest
library(lmtest)
resettest(mtcars$mpg~mtcars$wt)
#teras virta
library(tseries)
terasvirta.test(mtcars$mpg,mtcars$wt)

#PERSAMAAN REGRESI LINIER SEDERHANA

rls<-lm(mtcars$mpg~mtcars$wt) #rls adalah linier model dari variabel didalamnya
summary(rls) #biar tau modelnya

#UJI ASUMSI RESIDUAL RLS

#NORMALITAS
#visual normalitas
res<-resid(rls) #residual dari rls
qqnorm(res) #qqplot dari residual
qqline(res)
#statistik normalitas
shapiro.test(res) #p-value>apha berarti normal
#HOMOSKEDASTISITAS= UJI ASUMSI BAHWA VARIANS RESIDUAL KONSTAN
#Visual plot Yhat dengan et^2
res2<-res^2
yhat<-fitted.values(rls)
plot(yhat,res2) #jika acar berarti tepenuhi
#stat uji untuk homoskedastisitas
bptest(rls) #jika p-value > alpha terpenuhi
#NONAUTOKORELASI= UJI ASUMSI BAHWA RESIDUAL ANTAR PENGAMATAN SALING BEBAS ATAU
TDK BERKORELASI
#visual plot et dengan et-1
et<-res
library(Hmisc)
et_1<-Lag(et,shift=1)
head(et)
head(et_1)
et<-et[-1]
et_1<-et_1[-1]
plot(et_1,et)
#uji stat untuk nonautokorelasi
library(car)
library(carData)
durbinWatsonTest(rls) #p-value <apha terpenuhi
cor.test(et_1,et)

#ANALISIS REGRESI LINEAR BERGANDA= VARIABEL INDEPENDENNYA LEBIH DARI 1

#RLB dengan Y=illiteracy
#uji lineritas dulu semua variabel (ambil yang linier sebagai model sementara)
state.x77<-data.frame(state.x77)
#literacy vs populasi (tidak linear)
resettest(state.x77$Illiteracy~state.x77$Population)
#literacy vs income (linear)
resettest(state.x77$Illiteracy~state.x77$Income)
#literacy vs Life Exp (linear)
resettest(state.x77$Illiteracy~state.x77$Life.Exp)
#literacy vs murder (tidak linear)
resettest(state.x77$Illiteracy~state.x77$Murder)
#literacy vs hs grad(linear)
resettest(state.x77$Illiteracy~state.x77$HS.Grad)
#literacy vs frost (tdk linear)
resettest(state.x77$Illiteracy~state.x77$Frost)
#literacy vs area (tidak linear)
resettest(state.x77$Illiteracy~state.x77$Area)

#UJI ASUMSI
#NORMALITAS
#NOAUTOKORELASI
#HOMOSKEDASTISITAS
#NONMULTIKOLINEARITAS= UJI ASUMSI BAHWA VARIABLE INDEPENDENNYA TIDAK BERKORELASI
vif(rlb) #jika vif<5 maka asumsi nonmultikol terpenuhi

#PEMILIHAN MODEL
#BACKWARD= PEMILIHAN MODEL TERBAIK DENGAN MEMASUKAN SEMUA VARIABEL X LALU
DIKELUARKAN 1 PER SATU X
rlb_backward<-step(rlb,direction = "backward")
summary(rlb_backward)
#FORWARD= PEMILIHAN MODEL TERBAIK DENGAN MEMASUKAN X 1 PER 1
rlb_intersep<-lm(state.x77$Illiteracy~1) #sebagai intersep
summary(rlb_intersep)
rlb_forward<-step(rlb_intersep,scope=list(lower=rlb_intersep,upper=rlb),direction="forward")
summary(rlb_forward)
#STEPWISE= KOMBINASI ANTARA BACWARD DAN FORWARD
rlb_stepwise<-step(rlb,direction = "both")
summary(rlb_stepwise)