BAB 2

Pengenalan Pemrograman Statistik

(Python & R)

Mata Kuliah: Dasar Pemrograman Statistik

Capaian Pembelajaran

1. Mahasiswa memahami peran Python dan R dalam pemrograman statistik

modern.

2. Mahasiswa mampu menjalankan program sederhana (Hello World, input–

output).

3. Mahasiswa memahami konsep algoritma dan memodelkannya dalam pseu-

docode serta flowchart.

1 Pendahuluan
Pemrograman statistik adalah keterampilan dasar yang harus dimiliki oleh mahasiswa
statistika. Bahasa yang paling populer saat ini adalah Python dan R. Keduanya open
source, lintas platform, dan memiliki komunitas global yang luas serta ekosistem pustaka
yang matang.

2 Latar Belakang Python dan R

2.1 Python
Python dikembangkan oleh Guido van Rossum (1991) dengan filosofi readability counts;
sintaksnya ringkas dan mudah dibaca. Python kini menjadi bahasa serbaguna: web,
otomasi, komputasi ilmiah, Data Science, dan AI. Ekosistem populer: numpy, pandas,
matplotlib/seaborn, scikit-learn, tensorflow/pytorch.

1
2.2 R
R dikembangkan oleh Ross Ihaka dan Robert Gentleman (1993) sebagai implementasi
open-source dari bahasa S. R berfokus pada analisis statistik dan visualisasi ilmiah.
CRAN (Comprehensive R Archive Network) menyediakan puluhan ribu paket. Ekosistem
modern tidyverse (mis. dplyr, ggplot2, readr) menjadi standar de facto analisis data
di R.

2.3 Perkembangan Versi

• Python: Transisi Python 2 → 3 (sejak 2008) memperbaiki konsistensi & Unicode;
hampir semua pustaka kini mendukung Python 3.

• R: Evolusi S → R, diikuti penguatan CRAN; 2010-an lahir tidyverse yang men-

standarkan tata kerja analisis data.

3 Perbandingan Ekosistem Pustaka

Kategori Python R

Statistik dasar numpy, pandas base R, dplyr

Visualisasi matplotlib, seaborn, ggplot2, lattice, plotly
plotly
Machine learning scikit-learn, caret, mlr3, h2o
tensorflow, pytorch
Big data pyspark, dask sparklyr, [Link]
Pelaporan jupyter, nbconvert RMarkdown, knitr, quarto

Contoh singkat (statistik deskriptif):

Python
import pandas as pd
data = [78 , 65 , 84 , 90 , 71]
print ( " Mean = " , pd . Series ( data ) . mean () )
print ( " Median = " , pd . Series ( data ) . median () )

R
data <- c (78 , 65 , 84 , 90 , 71)
mean ( data ) ; median ( data )

2
4 Perbandingan Sintaks: Python vs R

Topik Python R

Penugasan variabel x = 10 x <- 10 atau x = 10

Output print(x) print(x) / cat(x, "\n")
Input s = input() s <- readline()
Percabangan if..elif..else if..else, ifelse()
Perulangan for, while for, while, repeat
Struktur koleksi list, dict, set, tuple vector, list, matrix,
[Link]
Data frame [Link] [Link], tibble
Seleksi data [Link][..], [Link][..] df[rows, cols],
dplyr::filter/select

5 Algoritma Dasar

5.1 Konsep dan Representasi

Algoritma adalah langkah-langkah logis, terbatas, dan berurutan untuk menyelesaikan
masalah. Representasi umum: (1) deskriptif bahasa alami, (2) pseudocode, (3) flowchart.

5.2 Contoh 1: Rata-rata 3 Bilangan (Pseudocode)

Mulai
Input a, b, c
jumlah <- a + b + c
rata <- jumlah / 3
Tampilkan rata
Selesai

3
Flowchart 1 (Rata-rata)

Mulai

Input a, b, c

jumlah ← a + b + c

rata ← jumlah/3

Tampilkan rata

Selesai

5.3 Contoh 2: Kelulusan Nilai (Pseudocode)

Mulai
Input nilai
Jika nilai >= 60 maka
status <- "Lulus"
selain itu
status <- "Tidak Lulus"
Tampilkan status
Selesai

4
Flowchart 2 (Kelulusan)

Mulai

Input nilai

nilai ≥ 60?
Ya Tidak

status ← Lulus status ← Tidak

Tampilkan status

Selesai

6 Program Pertama dan I/O

Python: Hello World

print ( " Hello , World ! " )

R: Hello World

print ( " Hello , World ! " )

Python: Input–Output Dasar

nama = input ( " Masukkan nama : " )

print ( " Halo , " , nama )

R: Input–Output Dasar

nama <- readline ( prompt = " Masukkan nama : " )

cat ( " Halo , " , nama , " \ n " )

5
7 Studi Kasus Sederhana (Dataset Nilai)

Dataset (CSV)
Nama,Nilai
Andi,78
Budi,65
Citra,84
Dewi,90
Eka,71
Fajar,85
Gita,60
Heri,75
Indah,88
Joko,72
Kiki,95
Lina,67
Maya,80
Nina,76
Oki,89

Analisis dengan Python

import pandas as pd
data = pd . read_csv ( " nilai . csv " )

print ( " Statistik Deskriptif " )

print ( data [ " Nilai " ]. describe () )

# Distribusi kategori kelulusan

data [ " Status " ] = data [ " Nilai " ]. apply ( lambda x : "
Lulus " if x >=60 else " Tidak " )
print ( data [ " Status " ]. value_counts () )

6
Analisis dengan R

data <- read . csv ( " nilai . csv " )

summary ( data$Nilai )

# Distribusi kategori kelulusan

data$Status <- ifelse ( data$Nilai >= 60 , " Lulus " ,
" Tidak " )
table ( data$Status )

Interpretasi
Rata-rata nilai sekitar 78 dengan sebaran yang didominasi kategori Lulus. Ada beberapa
mahasiswa di bawah batas kelulusan sehingga perlu intervensi pembelajaran.

8 Kesalahan Umum (Common Pitfalls)

• Tipe data: mencampur string dan numerik tanpa konversi eksplisit.

• Indentasi Python: blok if/for/while harus rapi, jika tidak akan Indentation-
Error.

• Simbol penugasan: = (Python) vs <- (R) dapat membingungkan pemula.

• Desimal lokal: gunakan titik (.) sebagai pemisah desimal.

• Indexing: Python (0-based) vs R (1-based).

9 Latihan Terstruktur

Latihan A (Dasar)
1. Tulis program biodata (nama, NIM, prodi) di Python dan R.

2. Hitung luas persegi panjang (input panjang, lebar).

3. Baca tiga bilangan dan tampilkan bilangan terbesar.

7
Latihan B (Algoritma & Validasi)
1. Tulis pseudocode dan flowchart untuk rata-rata 5 bilangan.

2. Program membaca nilai (0–100); jika di luar rentang, tampilkan pesan kesalahan.

3. Kembangkan Kelulusan Nilai: kategori A/B/C/D/E.

Latihan C (Ringkas Data)

Data contoh: {78, 65, 84, 90, 71}

Tugas: hitung mean, median, min, max dan tampilkan ringkasan rapi (Python &
R).

Contoh Solusi Python

data = [78 , 65 , 84 , 90 , 71]
mean = sum ( data ) / len ( data )
median = sorted ( data ) [ len ( data ) //2]
print ( " Mean : " , mean , " Median : " , median , " Min : " ,
min ( data ) , " Max : " , max ( data ) )

Contoh Solusi R
data <- c (78 , 65 , 84 , 90 , 71)
cat ( " Mean : " , mean ( data ) , " Median : " , median ( data ) ,
" Min : " , min ( data ) , " Max : " , max ( data ) , " \ n " )

10 Tugas Rumah
Buat Program Kalkulator Nilai Akhir: bobot Tugas (30%), Kuis (20%), UAS (50%).
Input: tiga komponen. Output: nilai akhir dan kategori huruf (A–E) serta status lulus
(≥ 60).

11 Ringkasan
Mahasiswa telah mempelajari latar belakang Python & R, perbandingan ekosistem dan
sintaks, konsep algoritma (pseudocode & flowchart), program Hello World, I/O, studi
kasus dataset nilai, kesalahan umum, serta latihan terstruktur untuk menguatkan kom-
petensi dasar.

8
Referensi
1. Downey, A. (2015). Think Python. O’Reilly.

2. McKinney, W. (2017). Python for Data Analysis. O’Reilly.

3. Wickham, H. & Grolemund, G. (2017). R for Data Science. O’Reilly.

4. Dalgaard, P. (2008). Introductory Statistics with R. Springer.