Review RSTUDIO

#membuat fungsi ->#cara panggilnya: bersih()
bersih <- function()
cat("\014") 
closeAllConnections()
rm(list=ls())

>v=212
>typeof(v)
[1] "double"

#membuat random 10 bilangan antara 5 s/d 7.5
> x1 <- runif(10, 5.0, 7.5)
> x1
 [1] 7.092883 7.291221 6.348377 5.123613 5.302045 6.137085 6.814298
 [8] 5.741372 7.090372 5.509627

#membuat random 1 s/d 10 sebanyak 10 bilangan unique
> x3 <- sample(1:10, 10)
> x3
 [1]  8  9  6  7  3  4  2  5  1 10

> x4 <- sample(1:10, 10, replace=T)
> x4
 [1]  9  2  5  9  8  8  9 10  4  4
> typeof(x4)
[1] "integer"


(WD <- getwd())
if (!is.null(WD)) setwd(WD)
list.files(R.home())
list.files(WD)

#hasil
> (WD <- getwd())
[1] "C:/Users/ACER/Documents"
> if (!is.null(WD)) setwd(WD)
> list.files(R.home())
 [1] "bin"            "CHANGES"        "COPYING"        "doc"            "etc"           
 [6] "include"        "library"        "MD5"            "modules"        "README"        
[11] "README.R-3.4.3" "share"          "src"            "Tcl"            "tests"         
[16] "unins000.dat"   "unins000.exe"  
> list.files(WD)
 [1] "2OCT17"                          "AAAAAAAAAAAAAAAAAAAAa.txt"      
 [3] "Adobe"                           "aku.csv"                        
 [5] "Arduino"                         "Camtasia Studio"                
 [7] "Corel"                           "CorelDRAW Graphics Suite X7.txt"
 [9] "Custom Office Templates"         "DATA1"                    

#membaca .csv
MyData <- read.csv(file="c:/mydata.csv", header=TRUE, sep=",")MyData <- read.csv(file="employee1.csv", header=TRUE, sep=",")

View(MyData)


#membaca .xls
Vars <- read_excel("employee2.xls")
View(Vars)

#atau lengkapnya:
> library(readxl)
> Vars<- read_excel("mydata.xls")

> View(Vars)

+++++++++++++++++++++++++++++++++++++++Praktekkan yang bertanda merah
install.packages("lattice")
install.packages("ggplot2")
install.packages("caret")
install.packages("e1071") 

install.packages("klaR")
install.packages("MASS")

library("lattice")
library("ggplot2")
library("caret")


library(datasets)
data(iris)

iris 
#atau  
iris[,]

#hasilnya:

> iris
    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
1            5.1         3.5          1.4         0.2     setosa
2            4.9         3.0          1.4         0.2     setosa
3            4.7         3.2          1.3         0.2     setosa
4            4.6         3.1          1.5         0.2     setosa
5            5.0         3.6          1.4         0.2     setosa
6            5.4         3.9          1.7         0.4     setosa
7            4.6         3.4          1.4         0.3     setosa
8            5.0         3.4          1.5         0.2     setosa
9            4.4         2.9          1.4         0.2     setosa
10           4.9         3.1          1.5         0.1     setosa
11           5.4         3.7          1.5         0.2     setosa
12           4.8         3.4          1.6         0.2     setosa
13           4.8         3.0          1.4         0.1     setosa
14           4.3         3.0          1.1         0.1     setosa
15           5.8         4.0          1.2         0.2     setosa
16           5.7         4.4          1.5         0.4     setosa
17           5.4         3.9          1.3         0.4     setosa
18           5.1         3.5          1.4         0.3     setosa
19           5.7         3.8          1.7         0.3     setosa
20           5.1         3.8          1.5         0.3     setosa
21           5.4         3.4          1.7         0.2     setosa
22           5.1         3.7          1.5         0.4     setosa
23           4.6         3.6          1.0         0.2     setosa
24           5.1         3.3          1.7         0.5     setosa
25           4.8         3.4          1.9         0.2     setosa
26           5.0         3.0          1.6         0.2     setosa
27           5.0         3.4          1.6         0.4     setosa
28           5.2         3.5          1.5         0.2     setosa
29           5.2         3.4          1.4         0.2     setosa
30           4.7         3.2          1.6         0.2     setosa
31           4.8         3.1          1.6         0.2     setosa
32           5.4         3.4          1.5         0.4     setosa
33           5.2         4.1          1.5         0.1     setosa
34           5.5         4.2          1.4         0.2     setosa
35           4.9         3.1          1.5         0.2     setosa
36           5.0         3.2          1.2         0.2     setosa
37           5.5         3.5          1.3         0.2     setosa
38           4.9         3.6          1.4         0.1     setosa
39           4.4         3.0          1.3         0.2     setosa
40           5.1         3.4          1.5         0.2     setosa
41           5.0         3.5          1.3         0.3     setosa
42           4.5         2.3          1.3         0.3     setosa
43           4.4         3.2          1.3         0.2     setosa
44           5.0         3.5          1.6         0.6     setosa
45           5.1         3.8          1.9         0.4     setosa
46           4.8         3.0          1.4         0.3     setosa
47           5.1         3.8          1.6         0.2     setosa
48           4.6         3.2          1.4         0.2     setosa
49           5.3         3.7          1.5         0.2     setosa
50           5.0         3.3          1.4         0.2     setosa
51           7.0         3.2          4.7         1.4 versicolor
52           6.4         3.2          4.5         1.5 versicolor
53           6.9         3.1          4.9         1.5 versicolor
54           5.5         2.3          4.0         1.3 versicolor
55           6.5         2.8          4.6         1.5 versicolor
56           5.7         2.8          4.5         1.3 versicolor
57           6.3         3.3          4.7         1.6 versicolor
58           4.9         2.4          3.3         1.0 versicolor
59           6.6         2.9          4.6         1.3 versicolor
60           5.2         2.7          3.9         1.4 versicolor
61           5.0         2.0          3.5         1.0 versicolor
62           5.9         3.0          4.2         1.5 versicolor
63           6.0         2.2          4.0         1.0 versicolor
64           6.1         2.9          4.7         1.4 versicolor
65           5.6         2.9          3.6         1.3 versicolor
66           6.7         3.1          4.4         1.4 versicolor
67           5.6         3.0          4.5         1.5 versicolor
68           5.8         2.7          4.1         1.0 versicolor
69           6.2         2.2          4.5         1.5 versicolor
70           5.6         2.5          3.9         1.1 versicolor
71           5.9         3.2          4.8         1.8 versicolor
72           6.1         2.8          4.0         1.3 versicolor
73           6.3         2.5          4.9         1.5 versicolor
74           6.1         2.8          4.7         1.2 versicolor
75           6.4         2.9          4.3         1.3 versicolor
76           6.6         3.0          4.4         1.4 versicolor
77           6.8         2.8          4.8         1.4 versicolor
78           6.7         3.0          5.0         1.7 versicolor
79           6.0         2.9          4.5         1.5 versicolor
80           5.7         2.6          3.5         1.0 versicolor
81           5.5         2.4          3.8         1.1 versicolor
82           5.5         2.4          3.7         1.0 versicolor
83           5.8         2.7          3.9         1.2 versicolor
84           6.0         2.7          5.1         1.6 versicolor
85           5.4         3.0          4.5         1.5 versicolor
86           6.0         3.4          4.5         1.6 versicolor
87           6.7         3.1          4.7         1.5 versicolor
88           6.3         2.3          4.4         1.3 versicolor
89           5.6         3.0          4.1         1.3 versicolor
90           5.5         2.5          4.0         1.3 versicolor
91           5.5         2.6          4.4         1.2 versicolor
92           6.1         3.0          4.6         1.4 versicolor
93           5.8         2.6          4.0         1.2 versicolor
94           5.0         2.3          3.3         1.0 versicolor
95           5.6         2.7          4.2         1.3 versicolor
96           5.7         3.0          4.2         1.2 versicolor
97           5.7         2.9          4.2         1.3 versicolor
98           6.2         2.9          4.3         1.3 versicolor
99           5.1         2.5          3.0         1.1 versicolor
100          5.7         2.8          4.1         1.3 versicolor
101          6.3         3.3          6.0         2.5  virginica
102          5.8         2.7          5.1         1.9  virginica
103          7.1         3.0          5.9         2.1  virginica
104          6.3         2.9          5.6         1.8  virginica
105          6.5         3.0          5.8         2.2  virginica
106          7.6         3.0          6.6         2.1  virginica
107          4.9         2.5          4.5         1.7  virginica
108          7.3         2.9          6.3         1.8  virginica
109          6.7         2.5          5.8         1.8  virginica
110          7.2         3.6          6.1         2.5  virginica
111          6.5         3.2          5.1         2.0  virginica
112          6.4         2.7          5.3         1.9  virginica
113          6.8         3.0          5.5         2.1  virginica
114          5.7         2.5          5.0         2.0  virginica
115          5.8         2.8          5.1         2.4  virginica
116          6.4         3.2          5.3         2.3  virginica
117          6.5         3.0          5.5         1.8  virginica
118          7.7         3.8          6.7         2.2  virginica
119          7.7         2.6          6.9         2.3  virginica
120          6.0         2.2          5.0         1.5  virginica
121          6.9         3.2          5.7         2.3  virginica
122          5.6         2.8          4.9         2.0  virginica
123          7.7         2.8          6.7         2.0  virginica
124          6.3         2.7          4.9         1.8  virginica
125          6.7         3.3          5.7         2.1  virginica
126          7.2         3.2          6.0         1.8  virginica
127          6.2         2.8          4.8         1.8  virginica
128          6.1         3.0          4.9         1.8  virginica
129          6.4         2.8          5.6         2.1  virginica
130          7.2         3.0          5.8         1.6  virginica
131          7.4         2.8          6.1         1.9  virginica
132          7.9         3.8          6.4         2.0  virginica
133          6.4         2.8          5.6         2.2  virginica
134          6.3         2.8          5.1         1.5  virginica
135          6.1         2.6          5.6         1.4  virginica
136          7.7         3.0          6.1         2.3  virginica
137          6.3         3.4          5.6         2.4  virginica
138          6.4         3.1          5.5         1.8  virginica
139          6.0         3.0          4.8         1.8  virginica
140          6.9         3.1          5.4         2.1  virginica
141          6.7         3.1          5.6         2.4  virginica
142          6.9         3.1          5.1         2.3  virginica
143          5.8         2.7          5.1         1.9  virginica
144          6.8         3.2          5.9         2.3  virginica
145          6.7         3.3          5.7         2.5  virginica
146          6.7         3.0          5.2         2.3  virginica
147          6.3         2.5          5.0         1.9  virginica
148          6.5         3.0          5.2         2.0  virginica
149          6.2         3.4          5.4         2.3  virginica

150          5.9         3.0          5.1         1.8  virginica

typeof(iris)
[1] "list"

> iris[1:5,1]
[1] 5.1 4.9 4.7 4.6 5.0

> iris[1:5,1:2]
  Sepal.Length Sepal.Width
1          5.1         3.5
2          4.9         3.0
3          4.7         3.2
4          4.6         3.1
5          5.0         3.6

> iris[1:5,1:3]
  Sepal.Length Sepal.Width Petal.Length
1          5.1         3.5          1.4
2          4.9         3.0          1.4
3          4.7         3.2          1.3
4          4.6         3.1          1.5
5          5.0         3.6          1.4
>   
  
#prioritas baca kolom
iris[1:2]
    Sepal.Length Sepal.Width
1            5.1         3.5
2            4.9         3.0
3            4.7         3.2
4            4.6         3.1
5            5.0         3.6
6            5.4         3.9
7            4.6         3.4
8            5.0         3.4
9            4.4         2.9
10           4.9         3.1
11           5.4         3.7
12           4.8         3.4
13           4.8         3.0
14           4.3         3.0
dst

> dim(iris)
[1] 150   5

> str(iris)
'data.frame': 150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...


> names(iris)
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"     

> attributes(iris)
$names
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"     

$row.names
  [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22  23
 [24]  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46
 [47]  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69
 [70]  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92
 [93]  93  94  95  96  97  98  99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115
[116] 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138
[139] 139 140 141 142 143 144 145 146 147 148 149 150

$class
[1] "data.frame"

 > iris$Sepal.Length[1:10]
 [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9

> summary(iris)
  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species  
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100   setosa    :50  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300   versicolor:50  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300   virginica :50  
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199                  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800                  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500        
        
> hist(iris$Sepal.Length)
> table(iris$Species)
 setosa versicolor  virginica 
        50         50         50 
> pie(table(iris$Species))

+++++Implementasi NaiveBayes
#mengjilangkan kolom keLima
x = iris[,-5]

    Sepal.Length Sepal.Width Petal.Length Petal.Width
1            5.1         3.5          1.4         0.2
2            4.9         3.0          1.4         0.2
3            4.7         3.2          1.3         0.2
4            4.6         3.1          1.5         0.2

5            5.0         3.6          1.4         0.2



 y = iris$Species
> y
  [1] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
  [9] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
 [17] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
 [25] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
 [33] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
 [41] setosa     setosa     setosa     setosa     setosa     setosa     setosa     setosa    
 [49] setosa     setosa     versicolor versicolor versicolor versicolor versicolor versicolor
 [57] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
 [65] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
 [73] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
 [81] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
 [89] versicolor versicolor versicolor versicolor versicolor versicolor versicolor versicolor
 [97] versicolor versicolor versicolor versicolor virginica  virginica  virginica  virginica 
[105] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
[113] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
[121] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
[129] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
[137] virginica  virginica  virginica  virginica  virginica  virginica  virginica  virginica 
[145] virginica  virginica  virginica  virginica  virginica  virginica 
Levels: setosa versicolor virginica



model = train(x,y,'nb',trControl=trainControl(method='cv',number=10))

> typeof(model)
[1] "list"
> model
Naive Bayes 

150 samples
  4 predictor
  3 classes: 'setosa', 'versicolor', 'virginica' 



No pre-processing
Resampling: Cross-Validated (10 fold) 
Summary of sample sizes: 135, 135, 135, 135, 135, 135, ... 
Resampling results across tuning parameters:

  usekernel  Accuracy   Kappa
  FALSE      0.9533333  0.93 
   TRUE      0.9666667  0.95 

Tuning parameter 'fL' was held constant at a value of 0
Tuning parameter 'adjust' was
 held constant at a value of 1
Accuracy was used to select the optimal model using the largest value.
The final values used for the model were fL = 0, usekernel = TRUE and adjust = 1.
> 

Testing:
> xx=x[1:5,]
> xx
  Sepal.Length Sepal.Width Petal.Length Petal.Width
1          5.1         3.5          1.4         0.2
2          4.9         3.0          1.4         0.2
3          4.7         3.2          1.3         0.2
4          4.6         3.1          1.5         0.2
5          5.0         3.6          1.4         0.2

> predict(model$finalModel,xx)
$class
     1      2      3      4      5 
setosa setosa setosa setosa setosa 
Levels: setosa versicolor virginica

$posterior
     setosa   versicolor    virginica
1 1.0000000 3.122328e-09 8.989129e-11
2 0.9999999 4.953302e-08 1.361560e-09
3 1.0000000 1.949717e-08 1.152761e-09
4 1.0000000 1.146273e-08 6.616756e-10
5 1.0000000 8.839954e-10 8.567477e-11

#Hasilnya adalah sesuai dengan data Trainingnya:
> y[1:5]
[1] setosa setosa setosa setosa setosa

Levels: setosa versicolor virginica

++++++++++++++++++++++++


Misalkan 
> M=x[100,]
> M
    Sepal.Length Sepal.Width Petal.Length Petal.Width
100          5.7         2.8          4.1         1.3
> typeof(M)
[1] "list"


Masuk Klasifikasi yang mana ia?

JAWAB:
 > predict(model$finalModel,M)
$class
       100 
versicolor 
Levels: setosa versicolor virginica

$posterior
         setosa versicolor    virginica
100 4.18727e-07  0.9998386 0.0001609416

JAWABANNYA ADALAH: VERSICOLOR.....................................OMG mudah yaaaaaaaaa

++++++++++++++++++++++++++Look tabel

> table(predict(model$finalModel,x)$class,y)
            y
             setosa versicolor virginica
  setosa         50          0         0
  versicolor      0         47         3

  virginica       0          3        47


> pie(table(predict(model$finalModel,x)$class,y))

data(iris)
iris <- as.matrix(iris[,1:4])
kNNdistplot(iris, k = 5)
abline(h=.5, col = "red", lty=2)


res <- dbscan(iris, eps = .5, minPts = 5)
res

#DBSCAN clustering for 150 objects.
#Parameters: eps = 0.5, minPts = 5
#The clustering contains 2 cluster(s) and 17 noise points.
# 0  1  2 
#17 49 84 
#Available fields: cluster, eps, minPts

pairs(iris, col = res$cluster + 1L)
fr <- frNN(iris, eps = .5)
dbscan(fr, minPts = 5)
#DBSCAN clustering for 150 objects.
#Parameters: eps = 0.5, minPts = 5
#The clustering contains 2 cluster(s) and 17 noise points.
# 0  1  2 
#17 49 84 

#Available fields: cluster, eps, minPts
#fr
#fixed radius nearest neighbors for 150 objects (eps=0.5).
#Available fields: dist, id, eps, sort
set.seed(665544)
n <- 100
x <- cbind(
+     x = runif(10, 0, 10) + rnorm(n, sd = 0.2),
+     y = runif(10, 0, 10) + rnorm(n, sd = 0.2)
+ )

res <- dbscan(x, eps = .3, minPts = 3)
res
#DBSCAN clustering for 100 objects.
#Parameters: eps = 0.3, minPts = 3
#The clustering contains 9 cluster(s) and 4 noise points.
# 0  1  2  3  4  5  6  7  8  9 
# 4  9 10 11 10 10  8  9 20  9 
#Available fields: cluster, eps, minPts
plot(x, col=res$cluster)
points(x[res$cluster==0,], pch = 3, col = "grey")

hullplot(x, res)


newdata <- x[1:5,] + rnorm(10, 0, .2)
predict(res, newdata, data = x)
[1] 1 2 3 0 9


#newdata
            x        y
[1,] 1.401211 8.783260
[2,] 5.272883 6.491775
[3,] 6.444716 7.646525
[4,] 4.367525 9.119675

[5,] 6.823473 8.390591