Part 3 — Struktur Data II: Data Frame

Fundamental Series — Part 3 of 20

Data frame adalah struktur data paling penting untuk analisis data di R. Bayangkan spreadsheet: baris = observasi, kolom = variabel. Part ini membahas cara membuat, mengakses, dan memanipulasi data frame.

Membuat Data Frame

df <- data.frame(
  kota = c("Jakarta", "Bandung", "Surabaya", "Medan", "Makassar"),
  populasi = c(10.56, 2.44, 2.87, 2.12, 1.42),
  pulau = c("Jawa", "Jawa", "Jawa", "Sumatera", "Sulawesi")
)

df

      kota populasi    pulau
1  Jakarta    10.56     Jawa
2  Bandung     2.44     Jawa
3 Surabaya     2.87     Jawa
4    Medan     2.12 Sumatera
5 Makassar     1.42 Sulawesi

data.frame vs tibble

tibble (dari tidyverse) adalah versi modern data frame — tampilan lebih rapi, tidak otomatis konversi string ke factor. Kamu akan sering bertemu keduanya:

library(tibble)
df <- tibble(
  kota = c("Jakarta", "Bandung"),
  populasi = c(10.56, 2.44)
)

Memeriksa Struktur

# Dimensi
nrow(df)       # 5 (jumlah baris)
ncol(df)       # 3 (jumlah kolom)
dim(df)        # 5 3

# Struktur — tipe data setiap kolom
str(df)

# Nama kolom
names(df)      # "kota" "populasi" "pulau"
colnames(df)   # sama

# Beberapa baris pertama / terakhir
head(df, 3)
tail(df, 2)

Output str():

'data.frame':   5 obs. of  3 variables:
 $ kota    : chr  "Jakarta" "Bandung" "Surabaya" "Medan" ...
 $ populasi: num  10.56 2.44 2.87 2.12 1.42
 $ pulau   : chr  "Jawa" "Jawa" "Jawa" "Sumatera" ...

str() sangat berguna — langsung terlihat jumlah observasi, variabel, tipe data, dan contoh isinya.

Mengakses Kolom

# Dengan $
df$kota           # vektor character
df$populasi       # vektor numeric

# Dengan [[ ]]
df[["kota"]]      # sama dengan df$kota

# Dengan [ ] — mengembalikan data frame (1 kolom)
df["kota"]        # data frame, bukan vektor!

$ vs [[ ]] vs [ ]

Sintaks	Return	Tipe
`df$kota`	Vektor	Isi kolom
`df[["kota"]]`	Vektor	Isi kolom
`df["kota"]`	Data frame	Sub-tabel 1 kolom

Mengakses Baris & Sel

# [baris, kolom]
df[1, ]          # baris pertama (semua kolom)
df[, 2]          # kolom kedua (semua baris)
df[1, 2]         # sel: baris 1, kolom 2 → 10.56

# Beberapa baris
df[1:3, ]        # baris 1 sampai 3
df[c(1, 4), ]    # baris 1 dan 4

# Kombinasi
df[1:3, c("kota", "populasi")]

Filter Baris dengan Kondisi

# Kota di Pulau Jawa
df[df$pulau == "Jawa", ]

# Populasi > 2.5 juta
df[df$populasi > 2.5, ]

# Kombinasi kondisi
df[df$pulau == "Jawa" & df$populasi > 3, ]

Menambah & Mengubah Kolom

# Tambah kolom baru
df$luas <- c(661.5, 167.7, 350.5, 265.1, 175.8)

# Buat kolom dari perhitungan
df$kepadatan <- df$populasi / df$luas * 1e6

# Ubah kolom yang ada
df$populasi <- df$populasi * 1e6   # konversi ke satuan jiwa

Menghapus Kolom

# Set ke NULL
df$kepadatan <- NULL

# Atau select kolom yang diinginkan
df <- df[, c("kota", "populasi", "pulau")]

Menambah Baris

baris_baru <- data.frame(
  kota = "Semarang",
  populasi = 1.65,
  pulau = "Jawa"
)

df <- rbind(df, baris_baru)

Dataset Bawaan R

R menyediakan banyak dataset bawaan untuk belajar:

# Lihat daftar dataset tersedia
data()

# Load dataset
data(mtcars)
data(iris)

# Langsung pakai
head(mtcars)
str(iris)

Dataset Populer untuk Belajar

Dataset	Isi	Paket
`mtcars`	Spesifikasi 32 mobil	base R
`iris`	Ukuran bunga 3 spesies	base R
`economics`	Data ekonomi AS	ggplot2
`gapminder`	GDP & harapan hidup negara	gapminder

Latihan

Latihan 3.1 — Buat Data Frame

# Buat data frame "provinsi" dengan kolom:
# - nama: 5 nama provinsi
# - ibukota: 5 nama ibukota
# - populasi: 5 angka populasi (juta jiwa)
# - pulau: 5 nama pulau

# 1. Tampilkan struktur data frame (str)
# 2. Berapa dimensinya?
# 3. Tampilkan hanya kolom nama dan populasi

Latihan 3.2 — Akses & Filter

data(mtcars)

# 1. Berapa jumlah baris dan kolom?
# 2. Tampilkan 5 baris pertama
# 3. Tampilkan kolom mpg dan hp saja
# 4. Filter: mobil dengan mpg > 25
# 5. Filter: mobil dengan cyl == 4 DAN hp > 90

Latihan 3.3 — Modifikasi

data(mtcars)

# 1. Tambahkan kolom kpl = mpg * 0.425 (konversi ke km/liter)
# 2. Tambahkan kolom kategori = "irit" jika kpl > 10, "boros" jika tidak
#    (hint: ifelse())
# 3. Berapa jumlah mobil irit vs boros?
#    (hint: table())

Ringkasan

Konsep	Keterangan
`data.frame()`	Buat data frame
`str()`	Lihat struktur (tipe, contoh data)
`dim()`, `nrow()`, `ncol()`	Dimensi
`df$kolom`	Akses kolom → vektor
`df[baris, kolom]`	Akses sel / subset
`df[kondisi, ]`	Filter baris
`df$baru <- ...`	Tambah / ubah kolom
`rbind()`	Tambah baris
`head()`, `tail()`	Lihat awal / akhir

Sebelumnya: Part 2 — Vektor & List Selanjutnya: Part 4 — Operator & Ekspresi

--- title: "Part 3 — Struktur Data II: Data Frame" description: "Membuat data frame, akses kolom & baris, dimensi, struktur, dan operasi dasar di R." date: "2026-02-26" categories: [Fundamental, Struktur Data] series: "Fundamental Programming" order: 3 --- ## Fundamental Series — Part 3 of 20 Data frame adalah **struktur data paling penting** untuk analisis data di R. Bayangkan spreadsheet: baris = observasi, kolom = variabel. Part ini membahas cara membuat, mengakses, dan memanipulasi data frame. --- ## Membuat Data Frame ```r df <- data.frame( kota = c("Jakarta", "Bandung", "Surabaya", "Medan", "Makassar"), populasi = c(10.56, 2.44, 2.87, 2.12, 1.42), pulau = c("Jawa", "Jawa", "Jawa", "Sumatera", "Sulawesi") ) df ``` ``` kota populasi pulau 1 Jakarta 10.56 Jawa 2 Bandung 2.44 Jawa 3 Surabaya 2.87 Jawa 4 Medan 2.12 Sumatera 5 Makassar 1.42 Sulawesi ``` ::: {.callout-note} ## data.frame vs tibble `tibble` (dari tidyverse) adalah versi modern data frame — tampilan lebih rapi, tidak otomatis konversi string ke factor. Kamu akan sering bertemu keduanya: ```r library(tibble) df <- tibble( kota = c("Jakarta", "Bandung"), populasi = c(10.56, 2.44) ) ``` ::: --- ## Memeriksa Struktur ```r # Dimensi nrow(df) # 5 (jumlah baris) ncol(df) # 3 (jumlah kolom) dim(df) # 5 3 # Struktur — tipe data setiap kolom str(df) # Nama kolom names(df) # "kota" "populasi" "pulau" colnames(df) # sama # Beberapa baris pertama / terakhir head(df, 3) tail(df, 2) ``` Output `str()`: ``` 'data.frame': 5 obs. of 3 variables: $ kota : chr "Jakarta" "Bandung" "Surabaya" "Medan" ... $ populasi: num 10.56 2.44 2.87 2.12 1.42 $ pulau : chr "Jawa" "Jawa" "Jawa" "Sumatera" ... ``` `str()` sangat berguna — langsung terlihat jumlah observasi, variabel, tipe data, dan contoh isinya. --- ## Mengakses Kolom ```r # Dengan $ df$kota # vektor character df$populasi # vektor numeric # Dengan [[ ]] df[["kota"]] # sama dengan df$kota # Dengan [ ] — mengembalikan data frame (1 kolom) df["kota"] # data frame, bukan vektor! ``` ::: {.callout-important} ## `$` vs `[[ ]]` vs `[ ]` | Sintaks | Return | Tipe | |---------|--------|------| | `df$kota` | Vektor | Isi kolom | | `df[["kota"]]` | Vektor | Isi kolom | | `df["kota"]` | Data frame | Sub-tabel 1 kolom | ::: --- ## Mengakses Baris & Sel ```r # [baris, kolom] df[1, ] # baris pertama (semua kolom) df[, 2] # kolom kedua (semua baris) df[1, 2] # sel: baris 1, kolom 2 → 10.56 # Beberapa baris df[1:3, ] # baris 1 sampai 3 df[c(1, 4), ] # baris 1 dan 4 # Kombinasi df[1:3, c("kota", "populasi")] ``` ### Filter Baris dengan Kondisi ```r # Kota di Pulau Jawa df[df$pulau == "Jawa", ] # Populasi > 2.5 juta df[df$populasi > 2.5, ] # Kombinasi kondisi df[df$pulau == "Jawa" & df$populasi > 3, ] ``` --- ## Menambah & Mengubah Kolom ```r # Tambah kolom baru df$luas <- c(661.5, 167.7, 350.5, 265.1, 175.8) # Buat kolom dari perhitungan df$kepadatan <- df$populasi / df$luas * 1e6 # Ubah kolom yang ada df$populasi <- df$populasi * 1e6 # konversi ke satuan jiwa ``` --- ## Menghapus Kolom ```r # Set ke NULL df$kepadatan <- NULL # Atau select kolom yang diinginkan df <- df[, c("kota", "populasi", "pulau")] ``` --- ## Menambah Baris ```r baris_baru <- data.frame( kota = "Semarang", populasi = 1.65, pulau = "Jawa" ) df <- rbind(df, baris_baru) ``` --- ## Dataset Bawaan R R menyediakan banyak dataset bawaan untuk belajar: ```r # Lihat daftar dataset tersedia data() # Load dataset data(mtcars) data(iris) # Langsung pakai head(mtcars) str(iris) ``` ::: {.callout-tip} ## Dataset Populer untuk Belajar | Dataset | Isi | Paket | |---------|-----|-------| | `mtcars` | Spesifikasi 32 mobil | base R | | `iris` | Ukuran bunga 3 spesies | base R | | `economics` | Data ekonomi AS | ggplot2 | | `gapminder` | GDP & harapan hidup negara | gapminder | ::: --- ## Latihan ::: {.callout-caution} ## Latihan 3.1 — Buat Data Frame ```r # Buat data frame "provinsi" dengan kolom: # - nama: 5 nama provinsi # - ibukota: 5 nama ibukota # - populasi: 5 angka populasi (juta jiwa) # - pulau: 5 nama pulau # 1. Tampilkan struktur data frame (str) # 2. Berapa dimensinya? # 3. Tampilkan hanya kolom nama dan populasi ``` ::: ::: {.callout-caution} ## Latihan 3.2 — Akses & Filter ```r data(mtcars) # 1. Berapa jumlah baris dan kolom? # 2. Tampilkan 5 baris pertama # 3. Tampilkan kolom mpg dan hp saja # 4. Filter: mobil dengan mpg > 25 # 5. Filter: mobil dengan cyl == 4 DAN hp > 90 ``` ::: ::: {.callout-caution} ## Latihan 3.3 — Modifikasi ```r data(mtcars) # 1. Tambahkan kolom kpl = mpg * 0.425 (konversi ke km/liter) # 2. Tambahkan kolom kategori = "irit" jika kpl > 10, "boros" jika tidak # (hint: ifelse()) # 3. Berapa jumlah mobil irit vs boros? # (hint: table()) ``` ::: --- ## Ringkasan | Konsep | Keterangan | |--------|-----------| | `data.frame()` | Buat data frame | | `str()` | Lihat struktur (tipe, contoh data) | | `dim()`, `nrow()`, `ncol()` | Dimensi | | `df$kolom` | Akses kolom → vektor | | `df[baris, kolom]` | Akses sel / subset | | `df[kondisi, ]` | Filter baris | | `df$baru <- ...` | Tambah / ubah kolom | | `rbind()` | Tambah baris | | `head()`, `tail()` | Lihat awal / akhir | --- *Sebelumnya: [Part 2 — Vektor & List](../2026_02_26_02_vektor_list/index.qmd)* *Selanjutnya: [Part 4 — Operator & Ekspresi](../2026_02_26_04_operator/index.qmd)*