Tutorial R: Inline Reporting dengan library(epoxy)

Salah satu kelebihan R dalam membuat report adalah coding-nya. Lho, kok bisa?

Coding ini memungkinkan kita membuat report lebih cepat daripada biasanya karena lebih reproducible!

Sebagai contoh, kita bisa membuat kalimat yang berisi informasi yang “masih bisa berubah-ubah” karena datanya dinamis. Jadi tidak harus menuliskan perubahannya, cukup coding-nya saja dan isi kalimatnya akan berubah juga mengikuti datanya.

---

Contoh Kasus

Data yang Digunakan

Sebagai contoh di blog ini, saya akan memiliki data sebagai berikut:

nama	merek	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
Mazda RX4	Mazda	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
Mazda RX4 Wag	Mazda	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
Datsun 710	Datsun	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
Hornet 4 Drive	Hornet	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
Hornet Sportabout	Hornet	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
Valiant	Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
Duster 360	Duster	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
Merc 240D	Merc	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
Merc 230	Merc	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
Merc 280	Merc	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4
Merc 280C	Merc	17.8	6	167.6	123	3.92	3.440	18.90	1	0	4	4
Merc 450SE	Merc	16.4	8	275.8	180	3.07	4.070	17.40	0	0	3	3
Merc 450SL	Merc	17.3	8	275.8	180	3.07	3.730	17.60	0	0	3	3
Merc 450SLC	Merc	15.2	8	275.8	180	3.07	3.780	18.00	0	0	3	3
Cadillac Fleetwood	Cadillac	10.4	8	472.0	205	2.93	5.250	17.98	0	0	3	4
Lincoln Continental	Lincoln	10.4	8	460.0	215	3.00	5.424	17.82	0	0	3	4
Chrysler Imperial	Chrysler	14.7	8	440.0	230	3.23	5.345	17.42	0	0	3	4
Fiat 128	Fiat	32.4	4	78.7	66	4.08	2.200	19.47	1	1	4	1
Honda Civic	Honda	30.4	4	75.7	52	4.93	1.615	18.52	1	1	4	2
Toyota Corolla	Toyota	33.9	4	71.1	65	4.22	1.835	19.90	1	1	4	1
Toyota Corona	Toyota	21.5	4	120.1	97	3.70	2.465	20.01	1	0	3	1
Dodge Challenger	Dodge	15.5	8	318.0	150	2.76	3.520	16.87	0	0	3	2
AMC Javelin	AMC	15.2	8	304.0	150	3.15	3.435	17.30	0	0	3	2
Camaro Z28	Camaro	13.3	8	350.0	245	3.73	3.840	15.41	0	0	3	4
Pontiac Firebird	Pontiac	19.2	8	400.0	175	3.08	3.845	17.05	0	0	3	2
Fiat X1-9	Fiat	27.3	4	79.0	66	4.08	1.935	18.90	1	1	4	1
Porsche 914-2	Porsche	26.0	4	120.3	91	4.43	2.140	16.70	0	1	5	2
Lotus Europa	Lotus	30.4	4	95.1	113	3.77	1.513	16.90	1	1	5	2
Ford Pantera L	Ford	15.8	8	351.0	264	4.22	3.170	14.50	0	1	5	4
Ferrari Dino	Ferrari	19.7	6	145.0	175	3.62	2.770	15.50	0	1	5	6
Maserati Bora	Maserati	15.0	8	301.0	335	3.54	3.570	14.60	0	1	5	8
Volvo 142E	Volvo	21.4	4	121.0	109	4.11	2.780	18.60	1	1	4	2

Summary dari Data

Dari data di atas, saya akan buat beberapa summary sebagai berikut:

df_sum_all = 
  df %>% 
  summarise(banyak_data  = length(nama),
            banyak_merek = length(unique(merek)),
            mean_mpg     = mean(mpg) %>% round(2),
            range_hp     = max(hp) - min(hp)
            )

df_sum_all %>% knitr::kable()

banyak_data	banyak_merek	mean_mpg	range_hp
32	22	20.09	283

Dari data summary di atas, jika saya hendak membuat satu paragraf kesimpulan menggunakan R, biasanya saya menuliskannya sebagai berikut:

---

# Data tersebut memiliki `r df_sum_all$banyak_data` baris, 

# berisi `r df_sum_all$banyak_merek` buah merek mobil. 

# Rata-rata konsumsi bahan bakarnya semua mobil tersebut adalah `r df_sum_all$mean_mpg` mean per gallon. 

# Rentang horse power dari semua mobil tersebut adalah `r df_sum_all$range_hp`.

Hasilnya sebagai berikut:

Data tersebut memiliki 32 baris, berisi 22 buah merek mobil. Rata-rata konsumsi bahan bakarnya semua mobil tersebut adalah 20.09 mean per gallon. Rentang horse power dari semua mobil tersebut adalah 283.

---

Untuk menghasilkan tulisan seperti di atas, kita bisa menggunakan library(epoxy) sebagai berikut:

# ```{epoxy .data = df_sum_all}

# Data tersebut memiliki {banyak_data} baris, 

# berisi {banyak_merek} buah merek mobil. 

# Rata-rata konsumsi bahan bakarnya semua mobil tersebut adalah {mean_mpg} *mean per gallon*. 

# Rentang *horse power* dari semua mobil tersebut adalah {range_hp}.

# ```

Hasilnya sebagai berikut:

Data tersebut memiliki 32 baris, berisi 22 buah merek mobil. Rata-rata konsumsi bahan bakarnya semua mobil tersebut adalah 20.09 mean per gallon. Rentang horse power dari semua mobil tersebut adalah 283.

---

Another Advantages

Salah satu kelebihan epoxy adalah dalam hal repetisinya. Misal saya memiliki data summary sebagai berikut:

df_sum = 
  df %>% 
  group_by(merek) %>% 
  summarise(banyak_data  = length(nama),
            mean_mpg     = mean(mpg) %>% round(2)
            ) %>% 
  ungroup() %>% 
  filter(banyak_data > 1)

df_sum %>% knitr::kable()

merek	banyak_data	mean_mpg
Fiat	2	29.85
Hornet	2	20.05
Mazda	2	21.00
Merc	7	19.01
Toyota	2	27.70

Jika saya buat skrip epoxy-nya berikut:

# ```{epoxy .data = df_sum}
# 1. Merek mobil {merek} berisi {banyak_data} baris data dengan rata-rata konsumsi bahan 
# bakar sebesar {mean_mpg} *miles per gallon*.
# ```

Hasilnya berikut:

1. Merek mobil Fiat berisi 2 baris data dengan rata-rata konsumsi bahan bakar sebesar 29.85 miles per gallon.
2. Merek mobil Hornet berisi 2 baris data dengan rata-rata konsumsi bahan bakar sebesar 20.05 miles per gallon.
3. Merek mobil Mazda berisi 2 baris data dengan rata-rata konsumsi bahan bakar sebesar 21 miles per gallon.
4. Merek mobil Merc berisi 7 baris data dengan rata-rata konsumsi bahan bakar sebesar 19.01 miles per gallon.
5. Merek mobil Toyota berisi 2 baris data dengan rata-rata konsumsi bahan bakar sebesar 27.7 miles per gallon.

Semoga berguna!

---

if you find this article helpful, support this blog by clicking the ads.