Berikut ini adalah script sederhana untuk melakukan plot time series temperatur udara di Propinsi Jawa Timur berdasarkan data dari Stasiun Metereologi Juanda Surabaya yang dimuat dalam publikasi BPS – Jawa Timur dalam angka tahun 2000 – 2003. Di mana struktur data yang disediakan adalah data minimum dan maksimum, sehingga bentuk visualisasi datanya hendaknya mencerminkan kondisi tersebut.

Menggunakan fungsi segments

bartemp <- function(at,min,max,delta,col="black") {
segments(at-delta,min,at+delta,min,col=col)
segments(at,min,at,max,col=col)
segments(at-delta,max,at+delta,max,col=col)
}

temp < - read.csv("/home/unung/work/temp.csv")
plot(c(1:48),ylim=c(min(temp[2])-5,max(temp[1]+5)),type="n",axes=F,xlab="",
ylab="temperatur (C)")
axis(1,seq(1,48,6),c("Jan-2000","Jul-2000","Jan-2001","Jul-2001",
"Jan-2002","Jul-2002","Jan-2003","Jul-2003"),cex=0.6)
box()
axis(2,cex=0.4)
bartemp(at=c(1:48),temp[[2]],temp[[1]],0.2,col="blue")
title(main="Plot Series Temperatur Udara Jawa Timur")

Hasil grafiknya adalah sebagai berikut :

Nach, rekan-rekan semua dapat memodifikasi fungsi di atas dan menambahkan fungsi-fungsi lain untuk mempercantik plot. Plot ini dapat anda gunakan jika menemui kasus data min – max.

Oke, selamat mencoba ya

Salam,

Unung Istopo

Beberapa “coretan” tentang studi kasus analisis data statistik dengan visualisasi grafik telah dibahas beberapa kali dalam blog ini. Namun kali ini penulis kembali akan memberikan catatan kecil yang berkenaan dengan membuat plot sederhana, khususnya berkaitan dengan penambahan grid dan mengatur batas axis dengan mudah.

Fungsi utama yang digunakan untuk membuat plot adalah fungsi plot . Fungsi ini merupakan fungsi umum yang digunakan untuk melakukan plot obyek-obyek dalam R.

Berikut ini contoh script untuk melakukan manipulasi plot sederhana :

> x <- c(1:12)
> y <- rnorm(12,120,50)
> plot(x,y)

Hasilnya adalah sebagai berikut :

Nach, untuk mempercantik hasil plot kita dapat menambah grid, mengatur batas axis dan pengaturan warna dengan tambahan script sebagai berikut :

> par(bg=”pink”)
> plot(x,y,axes=FALSE,xlim=c(1,12),xlab=”",ylab=”",col.axis=”red”)
> usr <- par(“usr”)
> rect(usr[1],usr[3],usr[2],usr[4],col=”black”)
> grid()
> abline(h=c(50,200),lty=3,col=”orange”)
> lines(x,y,col=”yellow”)
> points(x,y,col=”orange”,pch=19,cex=1)
> axis(1,at=1:12,labels=month.abb,cex.axis=0.7)
> axis(2,cex.axis=0.7)
> title(“Normal Random Data”,sub=”(Time Series Plot)”,
+ cex.main=1.5, font.main=2,col.main=”brown”,
+ cex.sub=0.7,font.sub=4,col.sub=”black”)
> title(xlab=”month”,ylab=”Data”,cex.lab=0.7)
> text(x,y+10,formatC(y),col=”white”,cex=0.6)

Ditulis sekedar untuk mengingatkan penulis ketika akan mempercantik plot

Mis: Analisis untuk divisi IT: Network & Information Service Provider pada bulan Mei 2005.
1. Akses data ke aplikasi enciety CheckClock Report

read.csv("http://10.20.32.209/sugengrawuh/report_division_csv.php?div=6&bulan=05&tahun=2005&order=start") -> IT.NISP
names(IT.NISP)

2. Analisis Barplot untuk menggambarkan Persentase masuk dan keluar.

barplot(t(as.matrix(IT.NISP[,c(3,5)])),beside=T,ylim=c(0,100),axisname=F,legend=T)  -> barplot.IT.NISP
# Membuat Nama Label
for (i in 1:length(IT.NISP[,1])){      mtext(as.character(IT.NISP[i,1]),at=(barplot.IT.NISP[1,i]+barplot.IT.NISP[2,i])/2,side=1,line=1)
}
# Membuat Abline untuk persentase = 50%
abline(h=seq(10,50,10),col="red",lty=3)
abline(h=seq(60,90,10),col="blue",lty=3)
# Menampilkan abline sebagai background
par(new=T)
barplot(t(as.matrix(IT.NISP[,c(3,5)])),beside=T,ylim=c(0,100),axisname=F,legend=T)
box()
title("enciety Checkclock Report Summary - IT NISP Division - May 2005")
# Membuat text untuk besar persentase masuk dan keluar
for (i in 1:length(IT.NISP[,1])) {
   for (j in 1:2){
      text(barplot.IT.NISP[j,i],IT.NISP[,c(3,5)][i,j]+1,IT.NISP[,c(3,5)][i,j])
   }
}

3. Hasilnya adalah sebagai berikut :

Salam,

Unung Istopo H

Untuk materi kedua ini kita akan membahas tentang bagaimana melakukan pengolahan data yang disimpan di SPSS (*.sav). Untuk materi ini data dapat didownload dan silahkan simpan di folder tertentu yang mudah diakses.

Analisis sederhana dengan menggunakan data SPSS.

#Memanggil library foreign yang digunakan untuk membaca file SPSS, MINITAB, SAS, Systat, dll.
require(foreign)
read.spss("/home/unung/work/REncietyCourse/DataSPSS.sav") -> data.SPSS
names(data.SPSS)
#Untuk mengetahui atribut yang ada di data.SPSS maka gunakan function attributes
attributes(data.SPSS) -> attr.data.SPSS
names(attr.data.SPSS)

attach(data.SPSS)
#Diagram Dahan Daun
stem(A1)
#Menghitung Frekuensi dan Tabulasi Silang
table(A2,B1) -> data.1
data.1
names(dimnames(data.1)) <- c("Jenis Kelamin", "Langganan Koran")
data.1
total=sum(data.1)
data.1/total
row.total <- apply(data.1,1,sum)
col.total <- apply(data.1,2,sum)
row.percentage <- sweep(data.1,1,row.total,"/")
col.percentage <- sweep(data.1,1,col.total,"/")
round(col.percentage,3)
#Merubah data.frame ke dalam matrix table
data.frame(data.1) -> data.1.frame
attach(data.1.frame)
tapply(Freq,list(Jenis.Kelamin,Langganan.Koran),c)

attach(data.SPSS)
layout(matrix(c(1,3,6,1,4,6,2,4,7,2,5,7),3,4))
par(mar = c(2,2,2,2))
dotchart(table(B2,A2),main="Hobby & Jenis Kelamin")
par(mar = c(2,2,2,2))
dotchart(table(B3,A2),main="Pengeluaran & Jenis Kelamin")
par(mar = c(2,2,2,2))
pie(c(1,2),c("Perempuan","Laki-laki"),col=c("black","gray"),radius=sum(c(1,2))/20+0.65,main=paste("Tidak Berlangganan Koran n = ",sum(c(1,2))))
par(mar = c(2,2,2,2))
barplot(table(A2,B1),col=c("black","gray"),main="Langganan Koran & Jenis Kelamin",beside=T)
pie(c(4,3),c("Perempuan","Laki-laki"),col=c("black","gray"),radius=sum(c(4,3))/20+0.65,main=paste("Berlangganan Koran n =",sum(c(4,3))))
par(mar = c(2,2,2,2))
hist(A1,main="Histogram Usia Responden",col="darkgray")
par(mar = c(2,2,2,2))
boxplot(A1,horizontal=T,main="Boxplot Usia Responden",col="darkgray")

Hasil Grafiknya adalah sebagai berikut :

(*) Dokumentasi R enciety Internal Course, 2 dan 3 Mei 2005

Interaksi dengan R dapat kita mulai setelah kita mengetikkan R di console kita, terutama kita arahkan pada direktori kerja kita misal di /home/unung/work, seperti yang ditampilkan dalam Gambar 1.

Gambar 1. Tampilan R di console Linux Mandrake 10

Langkah – langkah melakukan analisis sederhana IPM 1996 dan IPM 1999 di Jawa Timur dengan menggunakan R adalah sebagai berikut. *

read.csv("http://www.enciety.com/data/manajemen/data/Variabel%20Pembentuk%20IPM%20Jawa%20Timur%20-%201996.csv") -> IPM.1996
read.csv("http://www.enciety.com/data/manajemen/data/Variabel%20Pembentuk%20IPM%20Jawa%20Timur%20-%201999.csv") -> IPM.1999

#Merubah kolom pertama menjadi nama baris
IPM.1996 <- data.frame(IPM.1996,row.names=1)
IPM.1999 <- data.frame(IPM.1999,row.names=1)
#Mengetahui nama variabel
names(IPM.1996)
names(IPM.1999)

#Mengambil data AHH 1996, AHH 1999, AMH 1996 dan AMH 1999
data.frame(KABKOTA=rownames(IPM.1996),IPM.1996$AHH96,IPM.1999$AHH99,IPM.1996$AMH96,IPM.1999$AMH99) -> AHH.AMH
names(AHH.AMH)
#Mengambil data AHH 1996 dan 1999 untuk 8 Kota di Jawa Timur
data.frame(AHH.AMH[30:37,1:3],row.names=1) -> AHH.kota
#Analisis Statistika Deskriptif
mean(AHH.kota)
sd(AHH.kota)
#Membuat function sederhana
mean.sd <- function(x) {
data.frame(n=length(x[,1]), mean=mean(x),sd=sd(x),CV=sd(x)/mean(x))
}
mean.sd(AHH.kota)
#Membuat boxplot
boxplot(AHH.kota, horizontal=T, col=rainbow(2),main="Boxplot Perbedaan Distribusi AHH 1996 dan 1999 Kota di Jawa Timur")

(*) Dokumentasi R enciety Internal Course, 2 dan 3 Mei 2005