Statistik Dasar dalam R

Pernahkan anda bertanya-tanya bagaimana untuk menyelesaikan tugas statistik anda dengan sangat cepat?. Atau anda hanya ingin cara cepat untuk memverifikasi perhitungan membosankan anda dalam tugas kelas statistik. Jawabannya ada di sini yaitu dengan memecahkan latihan statistik dengan R.

Di sini, anda akan menemukan masalah statistik yang mirip dengan permasalahan dalam buku teks perguruan tinggi populer. Dengan modifikasi sederhana dan contoh kode dapat diubah menjadi jawaban pekerjaan rumah anda. Dalam tambahan untuk membantu dengan pekerjaan rumah anda, tutorial ini akan memberi anda seperti halnya bekerja dengan software statistik secara umum, dan akan terbukti sangat berharga dalam keberhasilan karir anda.

Namun demikian, bahkan jika anda tidak terlalu akrab dengan R, anda dapat membaca kembali halaman Pengenalan R. Lalu pergi langsung ke tutorial statistik, dan hanya datang kembali untuk referensi yang diperlukan. 

1. Data Kualitatif

Hal terpenting yang perlu diperhatikan dalam statistik adalah pengambilan data sample. Data sampel merupakan bagian dari populasi yang ingin diteliti; dipandang sebagai suatu pendugaan terhadap populasi, namun bukan populasi itu sendiri. Sampel dianggap sebagai perwakilan dari populasi yang hasilnya mewakili keseluruhan gejala yang diamati. Ukuran dan keragaman sampel menjadi penentu baik tidaknya sampel yang diambil. 

Sebagai latihan akan digunakan kumpulan data milik paket MASSA dan harus dipanggil dari dalam R sebelum digunakan.

> library(MASS)                     # memuat paket MASSA
> painters 


                Composition Drawing Colour Expression School
Da Udine                 10       8     16          3      A
Da Vinci                 15      16      4         14      A
Del Piombo                8      13     16          7      A
Del Sarto                12      16      9          8      A
Fr. Penni                 0      15      8          0      A
Guilio Romano            15      16      4         14      A
Michelangelo              8      17      4          8      A
Perino del Vaga          15      16      7          6      A
Perugino                  4      12     10          4      A
Raphael                  17      18     12         18      A
F. Zucarro               10      13      8          8      B
Fr. Salviata             13      15      8          8      B
Parmigiano               10      15      6          6      B
.................

Andaikan anda ingin mengambil salah satu variabel dari data yang ada langkah pertama adalah mengetahui nama setiap variabel data tersebut.

>  names(painters)                  # memuat nama variabel data
[1] "Composition" "Drawing"     "Colour"      "Expression"  "School"

> painters$School                   # memuat data variabel sekolah
 [1] A A A A A A A A A A B B B B B B C C C C C C D D D D D D D D D D      E E E E
[37] E E E F F F F G G G G G G G H H H H
Levels: A B C D E F G H

Frekuensi Distribusi  Data yang Kualitatif 

Distribusi frekuensi dari variabel data  adalah ringkasan terjadinya kumpulan data dengan kategori yang tidak saling tumpang tindih. Sebagai contoh yakni kumpulan data pelukis diatas, frekuensi distribusi variabel "School" adalah ringkasan dari sejumlah pelukis di sekolah masing-masing.

Contoh:

Carilah distribusi frekuensi sekolah pelukis di kumpulan  pelukis data tersebut.

Solusi:

Terapkan fungsi tabel untuk menghitung distribusi frekuensi variabel "Sekolah" .

> library(MASS)                  # memuat paket MASSA 
> sekolah = painters$School      # sekolah pelukis
> frekuensi = table(sekolah)     # menerapkan fungsi tabel

> frekuensi                      # Menampilkan frekuensi sekolah

sekolah         

 A  B  C  D  E  F  G  H 

10  6  6 10  7  4  7  4 

Anda juga dapat menerapkan fungsi cbind untuk mencetak hasil dalam format kolom.

>  cbind(frekuensi)
  frekuensi
A        10
B         6
C         6
D        10
E         7
F         4
G         7
H         4

Soal Latihan

Cari distribusi frekuensi skor komposisi pelukis.

Cari program sekolah yang memiliki pelukis paling banyak.


Relatif Frekuensi  Distribusi Data Kualitatif

4. Impor Data

Sebelum memasuki bagian impor data ada baiknya saya menjelaskan sedikit mengenai pembentukan data (data frame). Sebuah data frame biasanya digunakan untuk menyimpan data dalam bentuk tabel. Andaikan anda memiliki daftar vektor dengan panjang yang sama. Sebagai contoh, berikut variabel df adalah pembentukan data yang berisi tiga vektor a, b, c. 

a=c(1,2,3,4)
b=c("Bakti","Alexander","Siregar","Ganteng")
c=c(TRUE,TRUE,TRUE,FALSE)
df = data.frame(a,b,c) 

Program di atas sengaja tidak saya lengkapi dengan konsol (>) untuk memudahkan anda mengcopy-paste program.

> df                         # menampilkan data yang sudah dibentuk
  a         b     c
1 1     Bakti  TRUE
2 2 Alexander  TRUE
3 3   Siregar  TRUE
4 4   Ganteng FALSE          # R tidak percaya saya ganteng,,, hehe.

Dalam statistik sering dilakukan pengolahan data yang besar,  sehingga membutuhkan waktu yang lama jika anda melakukan input data kedalam R. Seperti yang  sudah saya ungkapkan sebelumnya bahwa kita dapat mengimport data yang sudah ada dalam Tabel, CSV, Exel, Minitab, SPSS,  dan lain sebagainya.

File Tabel

Andaikan anda memiliki data dalam tabel  sebagai berikut:

No   A     B   C   D    E    F
1    8    98   7   2   12    8
2    7   107   4   3    9    5
3    7   103   4   3    5    6
4   10    88   5   2    8   15
5    6    91   4   2    8   10
6    8    90   5   2   12   12
7    9    84   7   4   12   15
8    5    72   6   4   21   14

Copy-paste nilai numerik variabel A hingga F kedalam notepad, simpan data dengan format "txt" di desktop anda. Pada contoh berikut saya menyimpan data dengan nama  dataku.txt pada desktop komputer saya. Anda juga bisa mendownload data di SINI

> dataku = read.table("C:\\Users\\math\\Desktop\\dataku.txt")
> dataku
  V1  V2 V3 V4 V5 V6
1  8  98  7  2 12  8
2  7 107  4  3  9  5
3  7 103  4  3  5  6
4 10  88  5  2  8 15
5  6  91  4  2  8 10
6  8  90  5  2 12 12
7  9  84  7  4 12 15
8  5  72  6  4 21 14

Untuk rincian lebih lanjut dari fungsi read.table, bacalah dokumentasi R.

> help(read.table)

File CSV 

Jika anda punya data punya data dalam format "csv", anda dapat membaca data tersebut dengan R seperti contoh berikut:

Langakah pertama download data di SINI.

Silahkan anda menyimpannya di mana saja anda suka pada komputer anda, tetapi anda harus ingat dimana file tersebut anda simpan.

> dataku = read.csv("C:\\Users\\math\\Desktop\\Polusi_Udara.csv")
> dataku 
   X8 X98 X7 X2 X12 X8.1 X2.1
1   7 107  4  3   9    5    3
2   7 103  4  3   5    6    3
3  10  88  5  2   8   15    4
4   6  91  4  2   8   10    3
5   8  90  5  2  12   12    4
 ....................................................................                            

> help(read.csv)

File Exel

Cukup sering  data sampel dalam format Excel dan perlu diimpor ke R sebelum digunakan. Untuk ini, anda dapat menggunakan fungsi read.xls  dalam R. Data dibaca dari spreadsheet Excel dan membentuk data frame. Berikut ini menunjukkan bagaimana untuk memuat spreadsheet Excel bernama "dataku.xls".

> dataku = read.xls("dataku.xls")     

Atau anda juga dapat merubah file Exel anda ke format "csv" terlebih dahulu. Caranya adalah membuka data Exel itu, klik File, Save as file dengan format "csv". dan anda bisa lakukan hal yang sema seperti di atas.

File minitab

> dataku = read.mtp("dataku.mtp")  

File SPSS

> dataku = read.spss("dataku", to.data.frame=TRUE)

Kembali, kehalaman sebelumnya

Lanjut klik link dibawah:

Statistik Dasar dalam R 

3. Matriks

Definisi: 

Matriks adalah kumpulan bilangan, simbol, atau ekspresi, berbentuk persegi panjang yang disusun menurut baris dan kolom. Bilangan-bilangan yang terdapat di suatu matriks disebut dengan elemen atau anggota matriks. 

Contoh:  Andaikan A adalah matriks dengan 2 baris dan 3 kolom

              1      2      3
   A  =
              4      5      6

Membentuk matriks di dalam R sangatlah sederhana, karena fungsi matrix yang digunakan membentuk matriks itu berasal dari kata matriks itu sendiri. Anda dapat mengcopy-paste progaram berikut dan mencobanya dengan membentuk jenis matriks yang anda inginkan.

> A = matrix(

c(1,2,3,4,5,6),             # elemen dari matriks

nrow=2,                     # banyak baris

ncol=3,                     # banyak kolom

byrow = TRUE)               # mengisi matriks dengan baris dahulu

> A                         # mencetak matriks A 

     [,1] [,2] [,3] 

[1,]    1   2   3 

[2,]    4   5   6

> A[1, 3]                   # mencetak elemen baris 1 dan 3  dari > A
[1] 3

> A[2, ]                    # mencetek baris 2 dari A
[1] 4  5  6

> A[ ,3]                    # mencetek kolom 3 dari A
[1] 3  6

> A[ ,c(1,2)]               # Membentuk matriks baru dari A                      

     [,1] [,2]
[1,]    1    2
[2,]    4    5

Jika anda ingin menetapkan nama-nama pada baris dan kolom dari matriks, sehinga anda dapat mengakses elemen dengan nama.

> dimnames(A) = list(

c("row1", "row2"),          # Nama baris

c("col1", "col2", "col3"))  # Nama kolom

> A                         # Mencetak A 

     col1 col2 col3
row1    1    2   3
row2    4    5   6 

> A["row2", "col3"]         # elemen A baris ke 2 dan kolom ke 3

[1] 6

1. Pengembangan Matriks

Ada berbagai cara untuk membangun sebuah matriks. Seperti pembentukan matriks B yang terlihat sedikit berbeda dengan pembentukan matiks A berikut

> B = matrix(c(1,2,3,4,5,6),nrow=3,ncol=2)
> B                         # mencetak matriks B dengan kolom

     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6

Membentuk matriks B dengan kolom artinya memerintahkan R untuk membangun suatu matriks. Pembentukan yang dilakukan dengan mengisi data/elemen yang anda inputkan pada kolom pertama terlebih dahulu sesuai urutan data.

Transpose

Membentuk transpose matriks dengan pertukaran baris dan kolom dengan fungsi t.

> t(B)                      # transpose dari B 

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6

Partisi Matriks

Kolom kedua matriks memiliki jumlah baris yang sama dapat dikombinasikan menjadi matriks yang lebih besar. Misalnya, kita memiliki matriks C yang lain juga dengan 3 baris.

> C = matrix(c(7,8,9),nrow=3,ncol=1)

> C                        # C mempunyai 3 baris

     [,1] 

[1,]  7 

[2,]  8 

[3,]  9

Kemudian anda dapat menggabungkan kolom B dan C dengan fungsi cbind.

 > cbind(B,C)              # Menambahkan Matriks C ke B

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

Demikian halnya, untuk menggabungkan baris kedua matriks jika mereka memiliki jumlah yang sama dari kolom dengan fungsi rbind.

> D = matrix(c(7,8),nrow=1,ncol=2)

> D                       # D mempunyai 2 kolom
     [,1] [,2]
[1,]    7    8 

> rbind(B,D)              # Menambahkan Matriks D ke B

     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6
[4,]    7    8

Dekonstruksi

Mendekonstruksi matriks dengan menerapkan fungsi c, yang menggabungkan semua elemen matriks menjadi  satu vektor kolom.

> c(B) 

[1] 2 4 3 1 5 7

2. Operasi Matriks

> E = matrix(c(1,2,3,4),nrow=2,ncol=2)  # membentuk matriks E 
> E                                     # mencetak matriks E
     [,1] [,2]
[1,]    1    3
[2,]    2    4
> F = matrix(c(5,6,7,8),nrow=2,ncol=2)  # membentuk matriks F 
> F                                     # mencetak matriks F 
     [,1] [,2]
[1,]    5    7
[2,]    6    8
> E+F                                   # jumlah matriks E+F 
     [,1] [,2]
[1,]    6   10
[2,]    8   12
> E-F                                   # selisih matriks E-F 
     [,1] [,2]
[1,]   -4   -4
[2,]   -4   -4
>  E%*%F                                # selisih matriks E*F 
     [,1] [,2]
[1,]   23   31
[2,]   34   46 
> det(E)                                # determinan matriks E

[1] -2

> eigen(E)                              # nilai eigen value/vector E

$values

[1]  5.3722813 -0.3722813

$vectors

           [,1]       [,2]

[1,] -0.5657675 -0.9093767

[2,] -0.8245648  0.4159736

Perlu dicatat bahwa perkalian matriks didalam R adalah dengan "%*%" bukan "*".

3. Cara Lain untuk membentuk Matriks

Barikut ini adalah cara lain untuk membentuk matriks, dalam hal ini anda harus benar-benar mengerti konsep logis yang dimengerti oleh R. Saya berharap anda bersedia untuk membentuk matriks-matriks lain dengan mengembangkan ide anda. 

> G <- array(1:20, dim=c(4,5))  # membentuk array berukuran 4 x 5
> G                             # mencetak matriks G
     [,1] [,2] [,3] [,4] [,5]
[1,]    1    5    9   13   17
[2,]    2    6   10   14   18
[3,]    3    7   11   15   19

[4,]    4    8   12   16   20

> H <- array(c(1:4,4:1,2:5), dim=c(4,3)) 

> H

     [,1] [,2] [,3]

[1,]    1    4    2

[2,]    2    3    3

[3,]    3    2    4

[4,]    4    1    5

Kembali, kehalaman sebelumnya

Lanjut klik link dibawah:

4. Import data

2. Vektor di dalam R

Defenisi: 

Secara umum vektor adalah besaran yang memiliki nilai dan arah. Tetapi  didalam R vektor dinyatakan sebagai urutan elemen data dengan jenis dasar yang sama. Sehingga anggota dalam vector secara resmi disebut  sebagai elemen/komponen. Berikut adalah vektor yang mengandung 3 nilai numerik  1, 2, dan 3

> a=c(1,2,3) 

> a

[1] 1 2 3

Anda juga bias menyatakan nilai-nilai logis di dalam R

> b=c(TRUE, FALSE, TRUE)

> b

[1]  TRUE FALSE  TRUE

atau anda ingin menyatakan vektor yang berisi string karakter.

> c=c("aa", "bb", "cc")

> c
[1] "aa" "bb" "cc"

Perlu di catat bahwa, tidak selamanya anda harus memberikan nama variable untuk setiap kali menyatakan vektor atau suatu data.

> c(1,2,3)

[1] 1 2 3

dan jika anda ingin mengetahui jumlah anggota vector tersebut di atas

> length(c(1,2,3))

[1] 3

1. Menggabungkan Vektor

Seandanya anda ingin mengabungakan dua atau beberapa vector, dapat dikombinasikan/digabungkan melalui fungsi c. Sebagai contoh adalah menggabungkan vector a dan c diatas

> c(a,c)
[1] "1"  "2"  "3"  "4"  "5"  "aa" "bb" "cc" "dd" "ee"

atau anda ingin urutan yang berbeda seperti

> c(c,a)
[1] "aa" "bb" "cc" "dd" "ee" "1"  "2"  "3"  "4"  "5"

Catatan:

Pada potongan kode di atas, perhatikan bagaimana nilai-nilai numerik sedang dipaksa  menjadi string karakter ketika dua vektor digabungkan. Hal ini diperlukan agar dapat memelihara tipe data yang sama primitif bagi anggota dalam vektor yang sama.

2. Aritmatika Vektor

Untuk melakukan aritmatika vektor anda harus memahami logika berpikir yang dimengerti oleh R. Andaikan anda ingin melakukan operasi seperti

> a=c(1,2,3)
> b=c(3,4,5)
> a+b                               # operasijumlah               
[1] 4 6 8
> a-b                               # operasi pengurangan
[1] -2 -2 -2
> a*b                               # operasi perkalian
[1]  3  8 15
> a/b                               # operasi bagi
[1] 0.3333333 0.5000000 0.6000000
> a*20                              # mengalikan vektor a dengan 20
[1] 20 40 60

Catatan:

Andaikan ada dua vektor yang jumlah anggotanya tidak sama, maka dalam hal ini R akan melakukan daur ulang terhadap vektor yang lebih pendek. untuk mencocokkan vektor yang satunya lagi. Misalnya, vektor c dan d berikut memiliki panjang yang berbeda, jika dilakukan operasi aretmatika maka

> c= c(10, 200, 3000)
> d = c(1, 2, 3, 1, 2, 3)
>c+d                                # operasijumlah               
[1]   11  202 3003   11  203 3003  

> c*d                               # operasi perkalian
[1]   10  400 9000   10  400 9000

3. Indeks suatu vektor

Untuk mengambil nilai dalam vektor dengan menyatakan indeks di dalam braket persegi tunggal "[]" operator. Sebagai contoh, berikut ini menunjukkan bagaimana mengambil anggota suatu vektor.

> A = c("aa", "bb", "cc")
> A[2]
[1] "bb"

Karena indeks vektor berbasis 1, anda menggunakan posisi indeks 2 untuk mengambil anggota kedua.

Catatan

Penggunaan indeks negatif, akan mengapus anggota yang posisinya memiliki nilai absolut yang sama dengan indeks negatif itu. Sebagai contoh, berikut ini menciptakan suatu vektor dengan anggota ketiga dari A dihapuskan.

> A[-3]

[1] "aa" "bb"

Sebuah vektor baru dapat dibentuk dari vektor yang diberikan dengan indeks vektor numerik, yang terdiri dari posisi anggota vektor asli yang akan diambil. Berikut ini menunjukkan bagaimana untuk mengambil sepotong vektor yang berisi anggota pertama dan ketiga dari vektor A.

> B = A[c(1, 3)]                    # duplikat elemen 1 dan 3 dari A
> B
[1] "aa" "cc"
> C = A[1:2]                        # range indeks 1:2 dari A
> D
[1] "aa" "bb"

Kembali, kehalaman sebelumnya

Lanjut klik link dibawah:

3. Matriks

4. Import data

1. Jenis-jenis Data

Ada beberapa jenis data di dalam R yang sering terjadi dalam perhitungan R itu sendiri. Meskipun tampaknya tidak terlalu penting, tetapi hal ini bisa mumbuat anda terkejut suatu saat anda tidak menyadarinya. Jadi, hal mendasar yang perlu diketahui adalah mengenali beberapa jenis data ini. Baik, dari pada anda sedikit berpikir abstrak dengan apa yang baru saja saya ungkapkan, silahkan mencoba untuk memahami itu lebih baik dengan eksperimen langsung dengan kode R.

1. Numerik

Nilai desimal disebut data numerik di R. Ini adalah standar komputasi mengimput data. Jika anda menetapkan nilai desimal ke variabel x sebagai berikut, x akan menjadi tipe numerik.

> x = 11.5              # menetapkan nilai desimal 

> x                     # menampilkan nila x 
[1] 11.5 

> class(x)              # menanyakan R, apakah kelas x tersebut?
[1] "numeric"

Setelah melakukan perintah diatas anda akan mungkin akan sangat terkejut dengan kejadian berikut

> y = 3 

> y                     # menampilkan y
[1] 3 

> class(y)              # menampilkan kelas dari y
[1] "numeric"

Tentu saja anda tidak akan percaya dengan jawaban dari R tersebut, karena sudah jelas bahwa "y" bukan bilangan numerik melainkan bilangan integer. bahkan meskipun anda mencoba mengkonfirmasikan dengan fungsi is.integer

> is.integer(k)         # apakah y adalah integer? 

[1] FALSE

Kita akan membahas bagaimana cara membuat sebuah bilangan integer dalam tutorial berikutnya pada tipe integer.

2. Integer

Untuk membentuk sebuah variabel integer di R, gunakan fungsi as.integer. Sehingga anda dapat yakin bahwa "y" adalah benar-benar integer dengan menerapkan fungsi is.integer

> y = as.integer(3) 
> y                     # menampilkan y 

[1] 3 

> class(y)              # menampilkan kelas y 
[1] "integer" 

> is.integer(y)         # apakah y adalah integer? 
[1] TRUE

Mungkin saat ini anda sedang berpikir bahwa yang dilakukan oleh R adalah memaksa "y" sebagai bilangan interger. Anda dapat membuktikan hal itu dengan

> y=as.integer(3.14)    # memaksa y sebagai integer 

[1] 3

Perlu mengetahui bahwa R berperan seperti bahasa C, BENAR memiliki nilai 1, sedangkan SALAH memiliki nilai 0. Seringkali, hal ini berguna untuk melakukan aritmatika pada nilai-nilai logis.

> as.integer(TRUE)      # menyatakan nilai numerik BENAR

[1] 1 

> as.integer(FALSE)     # menyatakan nilai numerik SALAH 

[1] 0

3. Kompleks

Sebuah nilai kompleks di R didefinisikan secara natural adalah suatu bilangan yang bernilai imajiner yakni "i"

> z = 1 + 3i            # membentuk bilangan kompleks

> z                     # menampilkan z 
[1] 1+3i 

> class(z)              # menampilkan kelas dari z
[1] "complex"

Berikut ini akan saya lampirkan pengalaman yang menarik, dalam kasus ini memberikan suatu kesalahan pemahaman bahwa (-1) bukan nilai yang kompleks.

> sqrt(−1)              # akar dari -1 

[1] NaN  
Warning message: 
In sqrt(−1) : NaNs produced

Jadi, untuk mengatasi masalah ini gunkaan nilai kompleks -1 + 0i.

> sqrt(−1+0i)           # akar dari −1+0i 

[1] 0+1i

Salah satu alternatif lain adalah untuk memaksa -1 menjadi nilai yang kompleks seperti yang dilakukan sebelumnya.

> sqrt(as.complex(−1)) 

[1] 0+1i

4. Logika

Anda juga harus menyadari bahwa R adalah bahasa logika. Jadi, jangan pernah mengabaikan hal-hal logis sering dilakukan di dalam R. Seperti dalam perbandingan beberapa variabel.

> x = 1; y = 2           # Contoh nilai variabela x dan y

> z = x > y              # apakah x lebih besar dari y? 

> z                      # menampilkan nilai logis z
[1] FALSE 

> class(z)               # menampilkan kelas dari z
[1] "logical"

Operasi logis standar yang digunakan R adalah "&"  untuk menyatkan (dan), "|" (atau), dan "!" (negasi).

> a = TRUE; b = FALSE 

> a & b                  # menyatakan nilai kebenaran "a AND b" 

[1] FALSE 

> a | b                  # menyatakan nila kebenaran "a OR b" 

[1] TRUE 

> !a                     # negasi dari "a"
[1] FALSE

Anda juga dapat menemukan rincian lebih lanjut dan operasi logika terkait dalam dokumentasi R itu sendiri.

> help("!")

5. Karakter

Hal menarik yang perlu anda ketahui adalah penggunaan yang karakter di dalam R. Sebuah objek karakter dapat dinyatakan untuk mewakili nilai-nilai string dalam R yakni dengan menggunakan fungsi as.character () 

> c = as.character(1.23) 

> c                      # menampilkan 1.23 sebagai karakter
[1] "1.23" 

> class(c)               # menampilkan kelas c
[1] "character"

Untuk menggabungkan dua nilai karakter dapat dapa dinyatakan dengan menggunakan fungsi paste.

> fname = "Bakti"; lname ="Siregar" 

> paste(fname, lname) 
[1] "Bakti Siregar"

Keterangan:

fname = fungsi untuk menyatakan nama depan karakter yang anda asumsikan dan 

lname = adalah fungsi untuk menyatakan nama akhir

Namun, seringkali lebih mudah untuk membuat sebuah string dibaca dengan dengan menggunakan fungsi sprintf, seperti halnya dalam sintaks bahasa C.

> sprintf("%s Mempunyai %d Rupiah", "Bakti", 500) 

[1] "Bakti Mempunyai 500 Rupiah"

Untuk mengekstrak substring, anda dapat menerapkan fungsi substr. Berikut adalah contoh yang menunjukkan cara mengekstrak substring antara posisi kelima dan kesepulu dalam sebuah string.

> substr("Bakti Mempunyai 500 Rupiah", start=16, stop=26) 

[1] "500 Rupiah"

Dan untuk mengganti  nilai "500" menjadi  "777" dalam string, kita menerapkan fungsi sub.

> sub("500", "777", "500 Rupiah") 

[1] "777 Rupiah"

Tentu masih ada fungsi lainnya untuk manipulasi string dapat ditemukan dalam dokumentasi R.

> help("sub")

Kembali kehalaman sebelumnya,

Lanjut klik link dibawah:

2. Vektor didalam R

3. Matriks

4. Import data