PENGGUNAAN BAHASA R DAN PYTHON SECARA BERSAMAAN

Prakata

Bahasa R dan Python seringkali digunakan dalam proses yang berkaitan dengan data science dan sudah banyak pula yang membandingkan R dan Python dari segi kegunaan hingga job opportunity. Pertanyaan yang timbul dari perbandingan antara dua bahasa yang masing-masing memiliki karakter yang berbeda adalah "Bisakah keduanya dipakai bersamaan? Bagaimana jika dipakai bersamaan? Apakah lebih baik?" dan pertanyaan lain yang menjurus ke "R vs Python against the world".

Topik ini menarik untuk dibahas karena selama ini dan yang telah diketahui sebelumnya, R dan Python menjadi 2 hal yang harus dipilih untuk pekerjaan menyangkut data science dkk. dan hal ini tidak sepenuhnya salah, namun pada artikel ini, pilihan bertambah satu karena R dan Python bisa dipakai bersamaan.

Artikel ini bertujuan untuk membahas tujuan dari pemakaian masing-masing R dan Python dalam satu sistem pengolahan data dan bagaimana hal tersebut dapat dilakukan.

Sekilas tentang Python dan R

Python dikembangkan oleh Guido van Rossum dan rilis pertama kali tahun 1991 sebagai bahasa scripting, high-level dan bersifat umum. Pembuat dari Python menekankan aspek readability pada desain bahasa Python dan memopulerkan whitespace sebagai pengganti dari bracket ({}).

Python pada dasarnya adalah bahasa pemrograman umum, Python dibuat tidak spesifik untuk statistika atau pengolahan data sebagai contoh Python dapat dimanfaatkan untuk pengembangan game, pengolahan data atau machine learning (semakin populer karena ini), pengembangan aplikasi web sampai dengan pengembangan aplikasi berbasis mobile (Android).

R adalah bahasa scripting sama seperti Python dan R juga menyediakan environment sendiri untuk pengembangan program dengan R. R yang diciptakan oleh Ross Ihaka dan Robert Gentleman dikhususkan untuk keperluan statistika atau masalah yang berhubungan dengan pengolahan data, hal itu menjadi salah satu hal yang membedakan R dengan bahasa lain khususnya Python.

R banyak digunakan pada masalah yang berkaitan dengan statistika dan data, seperti data mining, data analysis, data visualization dsb. R memiliki komunitas pemakai dan pengembang yang lumayan besar dan bisa memuat banyak paket dan library, sama seperti Python.

Python menjadi pilihan untuk data science karena banyaknya library scientific yang dapat diakses, bersifat umum dan readable sehingga menawarkan kemudahan untuk tahap produksi (misal, deep learning). R sudah melabeli diri sebagai bahasa yang bersifat khusus dalam hal penggunaan, yaitu statistika yang menyebabkan R pilihan yang baik untuk data science dan menawarkan hasil analisis yang baik pada fokus penggunaan (statistika).

Kelebihan Python dan R

R	Python
Lebih baik untuk analisis data	Kegunaan lebih beragam
Sangat statistikis	Produksi
visualisasi data yang lebih rapi	Code readability

Tabel 1: Kelebihan R dan Python

R berfokus kepada komputasi yang membantu tahapan penyelesaian masalah dalam statistika, berdasarkan tujuan itu, R menjadi bahasa yang sangat baik dipakai untuk menganalisis data melalui pendekatan statistika seperti mencari rataan, median, modus atau interkuartil. R dikembangkan untuk para statistikawan, jadi karakter atau sintaks bahasa R sangat statistikis, mulai dari penggunaan fungsi dan library yang dapat dipahami oleh statistikawan, bahkan yang tidak pernah belajar coding sebelumnya. Paket dan library yang dimiliki oleh R lebih lengkap daripada library milik Python dalam hal analisis data dan visualisasi data, dalam hal visualisasi data, R unggul dibanding Python karena lebih lengkapnya library visualisasi data di R.

Python lebih fleksibel dibandingkan R karena Python bahasa general-purpose yang bisa dipakai bahkan untuk bidang di luar pengolahan data. Python dengan library yang ada, dapat mengolah data sekaligus menghasilkan produk hasil pengolahan data tersebut (misal, model ML), juga kode Python mudah dibaca dan dipelajari.

Kelebihan yang ada di atas menurut saya dapat bersinergi dengan baik untuk membuat suatu sistem yang menerapkan analisis data, namun tetap memperhatikan tujuan awal pengembangan sistem

Caranya?

Ada beberapa cara yang mungkin dilakukan untuk menggunakan R dan Python secara bersamaan tergantung tujuan yang sedang ingin diraih, ada 2 jenis pemakaian, yaitu Python yang diakses di R dan sebaliknya.

Paket-paket yang dapat mengakses Python di R adalah sebagai berikut:

rJython
rPython
SnakeCharmR
PythonInR
reticulate

Paket-paket yang dapat mengakses R di Python adalah sebagai berikut:

PypeR
pyRserve
rpy2

Cara-cara di atas tidak akan saya bahas satu persatu, namun metode pemakaian rpy2 akan saya bahas di bagian bonus.

Kesimpulan

Kesimpulan yang dapat diambil dari pembahasan di atas:

Python dan R dapat bersinergi dengan masing-masing kelebihan mereka
Sinergi antara Python dan R dapat terasa dengan adanya paket dan library di atas

Bonus

Pada bagian bonus, saya akan menjelaskan langkah-langkah pemakaian rpy2 untuk Linux dengan Python 3.7 yang sudah terpasang.

Pastikan R sudah terpasang

Pasang R agar tahu apakah R sudah terpasang atau belum dengan command Linux Fedora:

# Fedora
$ sudo dnf install R

# Ubuntu
$ sudo apt-get install R

# sesuaikan dengan package manager yang anda pakai

Pasang rpy2 dengan pip

$ python -m pip install rpy2
# atau
$ pip install rpy2

Gunakan rpy2 untuk berbagai keperluan dengan Import

import math, datetime
import rpy2.robjects.lib.ggplot2 as ggplot2
import rpy2.robjects as ro
from rpy2.robjects.packages import importr
base = importr('base')

mtcars = data(datasets).fetch('mtcars')['mtcars']

rnorm = stats.rnorm
dataf_rnorm = robjects.DataFrame({'value': rnorm(300, mean=0) + rnorm(100, mean=3),
                                  'other_value': rnorm(300, mean=0) + rnorm(100, mean=3),
                                  'mean': IntVector([0, ]*300 + [3, ] * 100)})

# plotting
gp = ggplot2.ggplot(mtcars)

pp = gp + \
     ggplot2.aes_string(x='wt', y='mpg') + \
     ggplot2.geom_point()

pp.plot()

# online at: https://rpy2.github.io/doc/latest/html/graphics.html#plot

Gunakan rpy2 untuk berbagai keperluan dengan load_ext

# activate R magic
%load_ext rpy2.ipython

lalu untuk tiap line (jupyter notebook) yang berbahasa R, ditambahkan %%R

%%R
plot(cars)

Terima kasih sudah mampir, akhir kata Salam. (Akhmal R)