Part 2 — Struktur Data I: Variabel, Macro & Scalar

Fundamental Series — Part 2 of 20

Stata memiliki pendekatan yang berbeda dari R/Python dalam menyimpan data. Di R/Python, kamu bisa membuat vektor, list, atau array sebebas-bebasnya. Di Stata, struktur data utama adalah dataset itu sendiri. Part ini membahas cara Stata menyimpan informasi.

1. Variabel Dataset = Kolom

“Variabel” di Stata selalu berarti kolom di dataset. Tidak ada konsep “vektor bebas” di luar dataset.

clear
set obs 5

* Buat "vektor" sebagai variabel di dataset
generate x = _n * 10      // 10 20 30 40 50

* Akses elemen tertentu — pakai subscript [n]
display x[1]               // 10
display x[3]               // 30

* Akses elemen terakhir
display x[_N]              // 50

Operasi Per Elemen (Otomatis)

Seperti R, operasi di Stata berjalan otomatis per observasi:

generate y = x + 100       // 110 120 130 140 150
generate z = x^2           // 100 400 900 1600 2500
generate w = sqrt(x)       // 3.16 4.47 5.48 6.32 7.07
list

Fungsi Agregasi

* summarize — seperti summary() di R
summarize x

* Simpan hasil ke r()
summarize x
display r(mean)           // rata-rata
display r(sd)             // std deviation
display r(min)            // minimum
display r(max)            // maximum
display r(N)              // jumlah observasi

Return Values: r() dan e()

Setelah menjalankan perintah, Stata menyimpan hasil di return values:

r() → dari perintah biasa (summarize, tabulate, dll.)
e() → dari perintah estimasi (regress, logit, dll.)

Ketik return list atau ereturn list untuk melihat semua return values.

2. Macro: “Variabel” di Luar Dataset

Macro menyimpan teks atau angka yang bisa digunakan dalam perintah.

Local Macro

* Simpan angka
local alpha = 0.05
display `alpha'              // 0.05

* Simpan teks
local varlist "umur pendapatan edukasi"
summarize `varlist'

* Simpan daftar
local kota `""Jakarta" "Bandung" "Surabaya""'

Global Macro

* Berlaku di seluruh sesi
global datadir "C:/Users/nama/Data"
use "$datadir/survey2025.dta"

Local vs Global

	Local	Global
Akses	`nama'	`$nama`
Scope	Hanya dalam do-file / program saat ini	Seluruh sesi Stata
Best practice	Prefer local — lebih aman	Hanya untuk path/config

Macro Berisi Hasil Perhitungan

summarize x
local rata2 = r(mean)
local sd = r(sd)

display "Rata-rata = `rata2'"
display "Std Dev   = `sd'"

* Gunakan dalam perintah
generate x_std = (x - `rata2') / `sd'

3. Scalar: Angka Presisi Tinggi

Scalar menyimpan satu angka dengan presisi penuh (tidak di-truncate seperti macro):

scalar pi_val = 3.141592653589793
display pi_val

scalar n = _N
display n

* Perbedaan scalar vs local
local pi_local = 3.141592653589793
display `pi_local'        // bisa kehilangan presisi
display pi_val             // presisi penuh

Kapan Pakai Scalar?

Gunakan scalar untuk konstanta numerik yang butuh presisi tinggi, misalnya hasil estimasi. Gunakan macro untuk teks dan variabel yang akan di-substitusi ke dalam perintah.

4. Matrix (Mata)

Stata memiliki bahasa matriks bawaan bernama Mata, tapi untuk penggunaan sederhana:

* Buat matrix
matrix A = (1, 2, 3 \ 4, 5, 6 \ 7, 8, 9)
matrix list A

* Akses elemen
display A[1,2]        // 2 (baris 1, kolom 2)

* Transpose
matrix B = A'
matrix list B

* Setelah regresi, matrix koefisien
sysuse auto, clear
regress price mpg weight
matrix beta = e(b)
matrix list beta

5. Contoh Alur Kerja

Menggabungkan semua konsep:

* Load data bawaan
sysuse auto, clear

* Lihat variabel-variabel yang ada
describe

* Summary satu variabel
summarize price, detail

* Simpan statistik ke macro
summarize price
local harga_mean = r(mean)
local harga_sd = r(sd)

* Buat variabel baru berdasarkan macro
generate price_std = (price - `harga_mean') / `harga_sd'

* Verifikasi: mean harus ≈ 0, sd harus ≈ 1
summarize price_std

Perbandingan Terminologi

Konsep	R	Python	Stata
Koleksi angka	`c(1,2,3)`	`[1,2,3]` / `np.array()`	Variabel di dataset
Key-value	`list(a=1)`	`{"a": 1}`	Macro / scalar
Tabel data	`data.frame`	`DataFrame`	Dataset (langsung)
Nilai skalar	`x <- 5`	`x = 5`	`local x = 5` / `scalar x = 5`
Matrix	`matrix()`	`np.array()` 2D	`matrix A = (...)`

Latihan

Latihan 2.1 — Variabel & Subscript

clear
set obs 7
generate suhu = .
replace suhu = 28.5 in 1
replace suhu = 30.1 in 2
replace suhu = 27.8 in 3
replace suhu = 31.2 in 4
replace suhu = 29.0 in 5
replace suhu = 33.5 in 6
replace suhu = 26.4 in 7

* 1. Tampilkan elemen ke-3 (display suhu[3])
* 2. Tampilkan elemen terakhir
* 3. Hitung rata-rata dan simpan ke local macro
* 4. Buat variabel suhu_deviasi = suhu - rata-rata
* 5. List semua observasi yang suhu > 30

Latihan 2.2 — Macro

* Buat local macro berisi:
* - nama proyek: "Survei Inflasi 2026"
* - jumlah sampel: 500
* - alpha: 0.05

* 1. Tampilkan masing-masing dengan display
* 2. Gunakan macro jumlah sampel dalam perintah: set obs `n_sampel'
* 3. Coba: apa yang terjadi jika local macro diakses setelah do-file selesai?

Latihan 2.3 — Return Values

sysuse auto, clear

* 1. Jalankan: summarize mpg
* 2. Ketik: return list — apa saja yang tersimpan?
* 3. Simpan mean dan sd ke local macro
* 4. Buat variabel mpg_zscore = (mpg - mean) / sd
* 5. Verifikasi: summarize mpg_zscore — mean harus ≈ 0

Ringkasan

Konsep	Keterangan
Variabel	Kolom di dataset — akses elemen dengan `x[n]`
`_n` / `_N`	Nomor observasi saat ini / total
`local`	Macro lokal — akses `nama'
`global`	Macro global — akses `$nama`
`scalar`	Angka presisi tinggi
`r()` / `e()`	Return values dari perintah
`matrix`	Matriks — akses `A[i,j]`
`summarize`	Statistik deskriptif + return values

Sebelumnya: Part 1 — Variabel & Tipe Data Selanjutnya: Part 3 — Struktur Data II: DataFrame

--- title: "Part 2 — Struktur Data I: Variabel, Macro & Scalar" description: "Memahami variabel dataset, local/global macro, scalar, dan matrix di Stata." date: "2026-02-26" categories: [Fundamental, Struktur Data] series: "Fundamental Programming" order: 2 --- ## Fundamental Series — Part 2 of 20 Stata memiliki pendekatan yang **berbeda** dari R/Python dalam menyimpan data. Di R/Python, kamu bisa membuat vektor, list, atau array sebebas-bebasnya. Di Stata, struktur data utama adalah **dataset** itu sendiri. Part ini membahas cara Stata menyimpan informasi. --- ## 1. Variabel Dataset = Kolom "Variabel" di Stata selalu berarti **kolom di dataset**. Tidak ada konsep "vektor bebas" di luar dataset. ```stata clear set obs 5 * Buat "vektor" sebagai variabel di dataset generate x = _n * 10 // 10 20 30 40 50 * Akses elemen tertentu — pakai subscript [n] display x[1] // 10 display x[3] // 30 * Akses elemen terakhir display x[_N] // 50 ``` ### Operasi Per Elemen (Otomatis) Seperti R, operasi di Stata berjalan otomatis per observasi: ```stata generate y = x + 100 // 110 120 130 140 150 generate z = x^2 // 100 400 900 1600 2500 generate w = sqrt(x) // 3.16 4.47 5.48 6.32 7.07 list ``` ### Fungsi Agregasi ```stata * summarize — seperti summary() di R summarize x * Simpan hasil ke r() summarize x display r(mean) // rata-rata display r(sd) // std deviation display r(min) // minimum display r(max) // maximum display r(N) // jumlah observasi ``` ::: {.callout-note} ## Return Values: `r()` dan `e()` Setelah menjalankan perintah, Stata menyimpan hasil di **return values**: - `r()` → dari perintah biasa (`summarize`, `tabulate`, dll.) - `e()` → dari perintah estimasi (`regress`, `logit`, dll.) Ketik `return list` atau `ereturn list` untuk melihat semua return values. ::: --- ## 2. Macro: "Variabel" di Luar Dataset Macro menyimpan **teks atau angka** yang bisa digunakan dalam perintah. ### Local Macro ```stata * Simpan angka local alpha = 0.05 display `alpha' // 0.05 * Simpan teks local varlist "umur pendapatan edukasi" summarize `varlist' * Simpan daftar local kota `""Jakarta" "Bandung" "Surabaya""' ``` ### Global Macro ```stata * Berlaku di seluruh sesi global datadir "C:/Users/nama/Data" use "$datadir/survey2025.dta" ``` ::: {.callout-tip} ## Local vs Global | | Local | Global | |---|---|---| | Akses | `` `nama' `` | `$nama` | | Scope | Hanya dalam do-file / program saat ini | Seluruh sesi Stata | | Best practice | **Prefer local** — lebih aman | Hanya untuk path/config | ::: ### Macro Berisi Hasil Perhitungan ```stata summarize x local rata2 = r(mean) local sd = r(sd) display "Rata-rata = `rata2'" display "Std Dev = `sd'" * Gunakan dalam perintah generate x_std = (x - `rata2') / `sd' ``` --- ## 3. Scalar: Angka Presisi Tinggi Scalar menyimpan **satu angka** dengan presisi penuh (tidak di-truncate seperti macro): ```stata scalar pi_val = 3.141592653589793 display pi_val scalar n = _N display n * Perbedaan scalar vs local local pi_local = 3.141592653589793 display `pi_local' // bisa kehilangan presisi display pi_val // presisi penuh ``` ::: {.callout-note} ## Kapan Pakai Scalar? Gunakan scalar untuk **konstanta numerik** yang butuh presisi tinggi, misalnya hasil estimasi. Gunakan macro untuk **teks** dan variabel yang akan di-substitusi ke dalam perintah. ::: --- ## 4. Matrix (Mata) Stata memiliki bahasa matriks bawaan bernama **Mata**, tapi untuk penggunaan sederhana: ```stata * Buat matrix matrix A = (1, 2, 3 \ 4, 5, 6 \ 7, 8, 9) matrix list A * Akses elemen display A[1,2] // 2 (baris 1, kolom 2) * Transpose matrix B = A' matrix list B * Setelah regresi, matrix koefisien sysuse auto, clear regress price mpg weight matrix beta = e(b) matrix list beta ``` --- ## 5. Contoh Alur Kerja Menggabungkan semua konsep: ```stata * Load data bawaan sysuse auto, clear * Lihat variabel-variabel yang ada describe * Summary satu variabel summarize price, detail * Simpan statistik ke macro summarize price local harga_mean = r(mean) local harga_sd = r(sd) * Buat variabel baru berdasarkan macro generate price_std = (price - `harga_mean') / `harga_sd' * Verifikasi: mean harus ≈ 0, sd harus ≈ 1 summarize price_std ``` --- ## Perbandingan Terminologi | Konsep | R | Python | Stata | |--------|---|--------|-------| | Koleksi angka | `c(1,2,3)` | `[1,2,3]` / `np.array()` | Variabel di dataset | | Key-value | `list(a=1)` | `{"a": 1}` | Macro / scalar | | Tabel data | `data.frame` | `DataFrame` | Dataset (langsung) | | Nilai skalar | `x <- 5` | `x = 5` | `local x = 5` / `scalar x = 5` | | Matrix | `matrix()` | `np.array()` 2D | `matrix A = (...)` | --- ## Latihan ::: {.callout-caution} ## Latihan 2.1 — Variabel & Subscript ```stata clear set obs 7 generate suhu = . replace suhu = 28.5 in 1 replace suhu = 30.1 in 2 replace suhu = 27.8 in 3 replace suhu = 31.2 in 4 replace suhu = 29.0 in 5 replace suhu = 33.5 in 6 replace suhu = 26.4 in 7 * 1. Tampilkan elemen ke-3 (display suhu[3]) * 2. Tampilkan elemen terakhir * 3. Hitung rata-rata dan simpan ke local macro * 4. Buat variabel suhu_deviasi = suhu - rata-rata * 5. List semua observasi yang suhu > 30 ``` ::: ::: {.callout-caution} ## Latihan 2.2 — Macro ```stata * Buat local macro berisi: * - nama proyek: "Survei Inflasi 2026" * - jumlah sampel: 500 * - alpha: 0.05 * 1. Tampilkan masing-masing dengan display * 2. Gunakan macro jumlah sampel dalam perintah: set obs `n_sampel' * 3. Coba: apa yang terjadi jika local macro diakses setelah do-file selesai? ``` ::: ::: {.callout-caution} ## Latihan 2.3 — Return Values ```stata sysuse auto, clear * 1. Jalankan: summarize mpg * 2. Ketik: return list — apa saja yang tersimpan? * 3. Simpan mean dan sd ke local macro * 4. Buat variabel mpg_zscore = (mpg - mean) / sd * 5. Verifikasi: summarize mpg_zscore — mean harus ≈ 0 ``` ::: --- ## Ringkasan | Konsep | Keterangan | |--------|-----------| | Variabel | Kolom di dataset — akses elemen dengan `x[n]` | | `_n` / `_N` | Nomor observasi saat ini / total | | `local` | Macro lokal — akses `` `nama' `` | | `global` | Macro global — akses `$nama` | | `scalar` | Angka presisi tinggi | | `r()` / `e()` | Return values dari perintah | | `matrix` | Matriks — akses `A[i,j]` | | `summarize` | Statistik deskriptif + return values | --- *Sebelumnya: [Part 1 — Variabel & Tipe Data](../2026_02_26_01_variabel_tipe_data/index.qmd)* *Selanjutnya: [Part 3 — Struktur Data II: DataFrame](../2026_02_26_03_dataframe/index.qmd)*