1 Pengantar R dan `RStudio` untuk Uji Sensoris

Instalasi dan operasi dasar dengan data sensori

Penulis

Tim Pengampu Praktikum Uji Sensoris

Diterbitkan

10 September 2026

1.1 Tujuan Pembelajaran

Setelah sesi ini, mahasiswa akan mampu:

Mengetahui	Memahami	Melakukan
Cara memasang R, `RStudio`, dan paket tambahan	R menyimpan data sensori dalam objek yang dapat diperiksa, disubsetting, dan divisualisasikan	Memasang paket dengan `install.packages()` dan memuatnya dengan `library()`
Operator assignment `<-`	Struktur data uji sensoris: satu baris = satu panelis menilai satu produk	Memuat data hasil uji hedonik dari file Excel dengan `read_excel()`
Tipe data (`numeric`, `character`, `factor`, `data.frame`)	Mengapa kode panelis dan kode produk harus berupa `factor`, bukan angka	Memeriksa struktur data dengan `str()` dan `summary()`
Fungsi dasar: `head()`, `str()`, `summary()`, `aggregate()`		Membuat histogram dan boxplot skor kesukaan dengan `ggplot2`

1.2 Instalasi

Terdapat dua program berbeda untuk melakukan data analisis pada RStudio. R adalah bahasa pemrograman, sedangkan RStudio adalah tempat kerja untuk menulis kode R. Pemasangan harus dimulai dengan R, kemudian dilanjutkan dengan RStudio. Jika RStudio dipasang terlebih dahulu, bahasa R tidak akan dapat terbuka.

Komponen	Fungsi	Tautan unduh
R (versi 4.3 atau lebih baru)	Bahasa dan mesin perhitungan	https://cran.r-project.org/
RStudio Desktop	Integrated Development Environment (IDE) tempat kita bekerja	https://posit.co/download/rstudio-desktop/

Pastikan install sesuai dengan operating system masing-masing.

1.3 Mengenal `RStudio`

Saat RStudio terbuka, Anda akan melihat empat panel:

Panel	Lokasi	Fungsi
Console	Kiri bawah	Tempat R mengeksekusi kode dan menampilkan output
Source Editor	Kiri atas	Tempat menulis dan menyimpan script (`.R`) atau dokumen (`.Rmd`)
Environment	Kanan atas	Menampilkan objek yang ada di memori R
Files/Plots/Packages/Help	Kanan bawah	Navigasi file, melihat grafik, mengelola paket, dan dokumentasi

Think-aloud: “Saya membuka RStudio dan melihat empat panel. Kode dapat ditulis langsung di Source Editor dan Console. Kode pendek untuk mencoba-coba saya ketik di Console; tetapi semua langkah analisis data sensoris saya tulis di Source Editor dan saya simpan, supaya besok saya masih bisa menelusuri bagaimana angka pada laporan saya dihasilkan.”

1.3.1 Memeriksa hasil instalasi

Buka RStudio, lalu ketik perintah berikut di Console (panel kiri bawah):

R.version.string

[1] "R version 4.6.1 (2026-06-24)"

Jika muncul keterangan versi R, instalasi Anda berhasil.

1.4 Objek dan Assignment

Dalam R, kita menyimpan data dalam objek menggunakan operator assignment <-. Jalankan kode dengan menekan Ctrl + Enter.

# Membuat objek bernama 'x' yang berisi angka 5
x <- 5

# Membuat objek bernama 'nama' yang berisi teks
nama <- "TPHP"

# Membuat objek bernama 'angka' yang berisi deret angka
angka <- c(1, 2, 3, 4, 5)

# Melihat isi objek
x

[1] 5

nama

[1] "TPHP"

angka

[1] 1 2 3 4 5

Dalam data sensoris, kita bisa juga mengisi data seperti contoh ini:

# Objek berisi satu angka: jumlah panelis
n_panelis <- 90

# Objek berisi teks: nama produk yang diuji
produk <- "Kopi susu X"

# Objek berisi deret angka: skor kesukaan dari 6 panelis (skala 1-9)
skor <- c(7, 8, 6, 9, 5, 7)

# Melihat isi objek
n_panelis

[1] 90

produk

[1] "Kopi susu X"

skor

[1] 7 8 6 9 5 7

Objek dapat langsung dihitung:

mean(skor)   # rata-rata skor kesukaan

[1] 7

sd(skor)     # simpangan baku

[1] 1.414214

length(skor) # banyaknya nilai

[1] 6

Mengapa <- bukan =? Keduanya bisa digunakan, tetapi <- adalah konvensi R dan membuat kode lebih mudah dibaca.

Self-explanation prompts:
1. Apa bedanya mengetik mean(c(7, 8, 6)) langsung, dibandingkan menyimpannya dulu sebagai skor <- c(7, 8, 6) lalu mean(skor)?
2. Apa yang terjadi pada isi skor jika kita menjalankan skor <- c(1, 2, 3) setelahnya?

1.5 Tipe Data Dasar

R memiliki beberapa tipe data yang penting untuk diketahui:

# Numeric (angka)
skor <- c(7, 8, 6, 9)
class(skor)

[1] "numeric"

# Character (teks)
kode_panelis <- c("K001", "K002", "K003")
class(kode_panelis)

[1] "character"

# Factor (kategori)
kode_produk <- factor(c("X", "Y", "Z", "X", "Y"))
class(kode_produk)

[1] "factor"

levels(kode_produk)

[1] "X" "Y" "Z"

# Logical (TRUE/FALSE) - hasil perbandingan
suka <- skor > 6
suka

[1]  TRUE  TRUE FALSE  TRUE

Mengapa factor penting dalam uji sensoris? Kode produk sering ditulis dengan tiga digit angka acak (misalnya 384, 726, 951). Jika dibiarkan sebagai numeric, R akan mengira 951 “lebih besar” daripada 384 dan mencoba menghitung rata-ratanya — padahal itu hanya label. Ubahlah menjadi factor sebelum analisis: data$produk <- as.factor(data$produk).

1.5.1 Memasang paket yang dibutuhkan

Paket (package) adalah kumpulan fungsi tambahan R. Beberapa paket yang sering digunakan dalam analisis sensoris diantaranya:

Paket	Kegunaan dalam praktikum
`ggplot2`	Membuat grafik (histogram, boxplot, profil sensoris)
`dplyr`	Menyaring dan meringkas data
`tidyr`	Mengubah bentuk tabel (lebar ke panjang)
`readxl`	Membaca file Excel (`.xlsx`) ke dalam R
`FactoMineR`	Analisis multivariat, termasuk PCA
`factoextra`	Memvisualisasikan hasil PCA
`agricolae`	Uji lanjut (post-hoc) dengan notasi huruf

Jalankan perintah berikut satu kali saja di Console (bukan di dalam dokumen, karena tidak perlu diulang setiap knit):

install.packages(c("ggplot2", "dplyr", "tidyr", "readxl",
                   "FactoMineR", "factoextra", "agricolae"))

Setelah terpasang, paket harus dimuat setiap kali sesi R dimulai:

library(ggplot2)
library(dplyr)
library(readxl)

Analogi: install.packages() seperti membeli peralatan masak yang kemudian di simpan di dalam dapur. library() seperti mengambil peralatan masak yang dibutuhkan (e.g. panci, blender, pisau, dll).

Pesan galat yang sering muncul: Error in library(ggplot2) : there is no package called 'ggplot2' berarti paket belum dipasang, bukan berarti kode Anda salah. Jalankan install.packages("ggplot2") terlebih dahulu. Jika ada pesan ini lagi, kuncinya adalah memasukkan library yang diminta melalui install.packages("NAMA LIBRARY")

1.6 Memuat dan Memeriksa Data

Untuk melihat apa saja yang R bisa lakukan, kita akan menggunakan data imajiner uji hedonik tiga produk kopi susu kemasan (X, Y, Z) oleh 90 panelis konsumen. Setiap panelis mencicip ketiga produk dan memberi skor pada skala hedonik 9 titik (1 = sangat tidak suka, 9 = sangat suka).

1.6.1 Membaca File

Data praktikum biasanya disimpan dalam file Excel. Pada contoh ini, file disimpan pada uji_hedonik_kopi.xlsx. File tersebut memiliki dua lembar (sheet): Data berisi angkanya, dan Keterangan berisi penjelasan setiap kolom. Bacalah lembar Keterangan terlebih dahulu.

Terdapat 2 cara dalam membaca file:

Cara Manual

Dilakukan dengan klik Import Dataset (di bagian kolom Environment) > From Excel > Browse > Ubah Name: hedonik > Ubah Sheet: Data > Copy Code yang bertulisan seperti ini: hedonik <- read_excel("LOKASI FILE ANDA/uji_hedonik_kopi.xlsx", sheet = "Data") ke Source Code agar file dapat dengan mudah diakses kembali.

Cara Automatis

Pastikan file uji_hedonik_kopi.xlsx Anda sudah berada pada folder yang sesuai sehingga dapat langsung dipanggil kembali.

hedonik <- read_excel("assets/data/uji_hedonik_kopi.xlsx", sheet = "Data")

# Ubah menjadi data.frame biasa agar output R lebih mudah dibaca
hedonik <- as.data.frame(hedonik)

Mengapa perlu sheet = "Data"? Tanpa argumen itu, R akan membaca lembar pertama. Menuliskannya secara eksplisit membuat kode Anda tetap benar walaupun urutan lembar berubah.

Tiga kesalahan yang paling sering terjadi saat input di Excel:
1. Desimal ditulis dengan koma (7,5). R akan membacanya sebagai teks, bukan angka. Gunakan titik (7.5), atau ubah pengaturan regional Excel Anda.
2. Judul kolom lebih dari satu baris, atau ada baris kosong dan judul praktikum di atas tabel. Baris pertama harus langsung berisi nama kolom.
3. Nama kolom mengandung spasi (kesukaan rasa). R akan mengubahnya menjadi `kesukaan rasa` yang merepotkan. Gunakan garis bawah: kesukaan_rasa.

1.6.2 Memeriksa Struktur Data

# Melihat 6 baris pertama
head(hedonik)

# Melihat struktur lengkap data
str(hedonik)

'data.frame':   270 obs. of  8 variables:
 $ panelis             : chr  "K001" "K001" "K001" "K002" ...
 $ jenis_kelamin       : chr  "Perempuan" "Perempuan" "Perempuan" "Perempuan" ...
 $ usia                : num  23 23 23 25 25 25 19 19 19 23 ...
 $ produk              : chr  "X" "Y" "Z" "X" ...
 $ kesukaan_aroma      : num  8 4 6 9 6 8 6 5 7 8 ...
 $ kesukaan_rasa       : num  5 4 6 7 4 6 8 6 7 6 ...
 $ kesukaan_tekstur    : num  5 4 6 7 4 9 5 6 8 7 ...
 $ kesukaan_keseluruhan: num  5 5 7 6 5 7 5 4 8 6 ...

# Ringkasan statistik
summary(hedonik)

      panelis      jenis_kelamin      usia             produk   
 Length   :270   Length   :270   Min.   :18.00   Length   :270  
 N.unique : 90   N.unique :  2   1st Qu.:19.00   N.unique :  3  
 N.blank  :  0   N.blank  :  0   Median :21.00   N.blank  :  0  
 Min.nchar:  4   Min.nchar:  9   Mean   :21.18   Min.nchar:  1  
 Max.nchar:  4   Max.nchar:  9   3rd Qu.:23.00   Max.nchar:  1  
                                 Max.   :25.00                  
 kesukaan_aroma  kesukaan_rasa  kesukaan_tekstur kesukaan_keseluruhan
 Min.   :2.000   Min.   :2.00   Min.   :3.000    Min.   :4.000       
 1st Qu.:6.000   1st Qu.:6.00   1st Qu.:6.000    1st Qu.:6.000       
 Median :7.000   Median :7.00   Median :7.000    Median :7.000       
 Mean   :6.644   Mean   :6.67   Mean   :6.641    Mean   :6.626       
 3rd Qu.:8.000   3rd Qu.:8.00   3rd Qu.:8.000    3rd Qu.:7.000       
 Max.   :9.000   Max.   :9.00   Max.   :9.000    Max.   :9.000

Think-aloud: “Saya menjalankan str(hedonik) dan melihat 270 observasi. Angka ini masuk akal: 90 panelis × 3 produk = 270 baris. Kalau yang muncul hanya 90 baris, berarti datanya berformat lebar dan perlu saya ubah dulu. Saya juga melihat produk masih bertipe chr, jadi saya perlu mengubahnya menjadi factor.”

# Mengubah kolom kategorikal menjadi factor
hedonik$produk <- as.factor(hedonik$produk)
hedonik$jenis_kelamin <- as.factor(hedonik$jenis_kelamin)

str(hedonik)

'data.frame':   270 obs. of  8 variables:
 $ panelis             : chr  "K001" "K001" "K001" "K002" ...
 $ jenis_kelamin       : Factor w/ 2 levels "Laki-laki","Perempuan": 2 2 2 2 2 2 2 2 2 1 ...
 $ usia                : num  23 23 23 25 25 25 19 19 19 23 ...
 $ produk              : Factor w/ 3 levels "X","Y","Z": 1 2 3 1 2 3 1 2 3 1 ...
 $ kesukaan_aroma      : num  8 4 6 9 6 8 6 5 7 8 ...
 $ kesukaan_rasa       : num  5 4 6 7 4 6 8 6 7 6 ...
 $ kesukaan_tekstur    : num  5 4 6 7 4 9 5 6 8 7 ...
 $ kesukaan_keseluruhan: num  5 5 7 6 5 7 5 4 8 6 ...

1.6.3 Hinge Question

Sebelum melanjutkan, coba jawab pertanyaan berikut: Data uji hedonik Anda memiliki 270 baris, sedangkan panelisnya hanya 90 orang. Apa artinya?

Ada 180 baris data yang terduplikasi dan harus dihapus

Setiap panelis menilai lebih dari satu produk, sehingga satu panelis mengisi beberapa baris

Datanya salah input

Ada 270 panelis yang sebagian tidak tercatat namanya

Jawaban: B. Satu baris = satu kombinasi panelis × produk. Ini disebut format panjang (long format) dan merupakan bentuk yang dibutuhkan R untuk analisis.

1.7 Subsetting Data

# Mengambil satu kolom dengan $
hedonik$kesukaan_keseluruhan[1:10]   # 10 nilai pertama

 [1] 5 5 7 6 5 7 5 4 8 6

# Mengambil baris dan kolom dengan [ ]
hedonik[1:5, ]            # 5 baris pertama, semua kolom

hedonik[1:5, c("produk", "kesukaan_rasa")]

# Menyaring baris dengan library dplyr dengan fungsi filter()
produk_X <- filter(hedonik, produk == "X")
head(produk_X)

nrow(produk_X)

[1] 90

1.7.1 Meringkas Data per Produk

Inilah operasi yang paling sering Anda butuhkan pada data sensoris: menghitung rata-rata skor untuk setiap produk.

# Cara dasar (base R)
aggregate(kesukaan_keseluruhan ~ produk, data = hedonik, FUN = mean)

Anda bisa mengubah-ubah bagian kesukaan_keseluruhan dengan variabel lainnya seperti kesukaan_aroma dan sebagainya. Coba yuk!

# Cara library dplyr - lebih fleksibel karena bisa beberapa statistik sekaligus
hedonik %>%
  group_by(produk) %>%
  summarise(
    n     = n(),
    rerata = round(mean(kesukaan_keseluruhan), 2),
    sd     = round(sd(kesukaan_keseluruhan), 2)
  )

Catatan: rata-rata saja belum cukup untuk menyimpulkan bahwa satu produk lebih disukai daripada yang lain. Selisih 0,3 poin bisa saja muncul karena kebetulan. Untuk menguji apakah selisih itu nyata, kita memerlukan ANOVA.

1.8 Visualisasi Dasar dengan `ggplot2`

1.8.1 Histogram: bagaimana sebaran skor kesukaan?

ggplot(hedonik, aes(x = kesukaan_keseluruhan)) +
  geom_histogram(binwidth = 1, fill = "steelblue", color = "white") +
  labs(title = "Distribusi Skor Hedonik (Overall)",
       x = "Skor hedonik (1-9)",
       y = "Frekuensi") +
  theme_minimal()

1.8.2 Boxplot: bagaimana perbandingan antar produk?

ggplot(hedonik, aes(x = produk, y = kesukaan_keseluruhan, fill = produk)) +
  geom_boxplot() +
  labs(title = "Perbandingan Overall Liking Antar Produk",
       x = "Produk kopi susu",
       y = "Skor hedonik (1-9)") +
  theme_minimal() +
  theme(legend.position = "none")

Think-aloud (I Do): “Dalam ggplot2 saya selalu mulai dengan ggplot(data, aes(...)) untuk menentukan data dan pemetaan sumbu, lalu menambahkan layer dengan tanda +. geom_histogram() untuk sebaran satu variabel, geom_boxplot() untuk membandingkan kelompok. Dari boxplot ini saya sudah bisa menduga produk Y paling tidak disukai, tetapi dugaan itu masih perlu diuji secara statistik.”

1.9 Latihan (You Do)

1.9.1 Latihan 1: Eksplorasi Data

Muat kembali data dan periksa strukturnya:

hedonik <- as.data.frame(read_excel("assets/data/uji_hedonik_kopi.xlsx",
                                    sheet = "Data"))
str(hedonik)
summary(hedonik)

Berapa banyak panelis laki-laki dan perempuan dalam data ini?

table(hedonik$jenis_kelamin)

Berapa rentang usia panelis?

range(hedonik$usia)

1.9.2 Latihan 2: Ringkasan dan Grafik

Hitung rata-rata dan standar deviasi kesukaan_rasa untuk setiap produk.

hedonik %>%
  group_by(produk) %>%
  summarise(rerata = mean(kesukaan_rasa),
            sd = sd(kesukaan_rasa))

Buat boxplot kesukaan_aroma per produk. Apakah urutan produknya sama dengan urutan pada kesukaan_keseluruhan?

ggplot(hedonik, aes(x = produk, y = kesukaan_aroma, fill = produk)) +
  geom_boxplot() +
  labs(x = "Produk", y = "Kesukaan aroma (1-9)") +
  theme_minimal() +
  theme(legend.position = "none")

1.9.3 Latihan 3: Challenges

Buat boxplot kesukaan_keseluruhan per produk yang dipisahkan berdasarkan jenis kelamin (petunjuk: tambahkan facet_wrap(~ jenis_kelamin)).
Buat scatter plot antara kesukaan_rasa (sumbu x) dan kesukaan_keseluruhan (sumbu y), diberi warna menurut produk. Atribut mana yang tampak paling menentukan kesukaan keseluruhan?
Buat subset berisi hanya panelis berusia di bawah 21 tahun, lalu hitung ulang rata-rata kesukaan per produk. Apakah urutan produknya berubah?

1.10 Ringkasan

Dalam sesi ini kita telah mempelajari:
- Memasang R, RStudio, dan paket tambahan dengan install.packages() serta memuatnya dengan library()
- Objek dan assignment dengan <-
- Tipe data dasar: numeric, character, factor, logical, dan mengapa kode produk harus berupa factor
- Membaca data sensoris dari file Excel dengan read_excel() dan memeriksanya dengan str(), summary(), head()
- Format panjang: satu baris = satu panelis menilai satu produk
- Subsetting dengan $, [ ], dan dplyr::filter()
- Meringkas per produk dengan aggregate() dan group_by() + summarise()
- Visualisasi dasar dengan ggplot2: histogram dan boxplot

Pada sesi berikutnya kita akan menggunakan kemampuan ini untuk menganalisis data Quantitative Descriptive Analysis (QDA) dengan ANOVA, uji lanjut, dan PCA.