Kreasi pangan 2020

Aneka bahan pangan lokal sumber protein hewani dan nabati

rekaman kuliah 

ppt Aneka bahan pangan lokal sumber protein hewani dan nabati

tugas 

Pengembangan Produk Pangan Lokal

rekaman kuliah

ppt

tugas

Tugas kuliah Pengembangan pangan lokal

Merupakan bagian dari nilai tugas dan UAS dari dosen pengampu

Berbasis pada tugas kuliah Produk olahan serangga lokal Indonesia, buatlah presentasi dalam pptx yang menarik. Presentasikan dan rekam dalam mp4.

 

Tugas yang berisi 2 file, pptx, mp4 dikumpulkan melalui kormat ke

ayustaningwarno@fk.undip.ac.id pada saat UAS

Kormat memilih 5 video presentasi terbaik . Untuk difeature di youtube ilmu gizi

Analisis kelayakan usaha

rekaman kuliah

ppt

paper

tugas

buatlah artikel serupa dengan paper tersebut diatas, gunakan bahasa sendiri, gunakan daftar pustaka yang berbeda dengan paper tersebut, pilih parameter yang tepat berdasarkan usaha pilihan anda yang digunakan pada kuliah ini.

buat dalam dokumen docx, gunakan software sitasi endnote (baca ini https://ayustaningwarno.blogspot.com/2020/09/literasi-ilmiah.html), 

kirim ke dosen pengampu pada saat uas melalui kormat.

Ilmu dan Teknologi Pangan 2020

silahkan menyaksikan kuliah melalui youtube, kemudian berikan pertanyaan maksimal pada waktu kuliah di kolom komentar. jawaban akan diberikan melalui youtube juga 

Teknologi Pengolahan Suhu Tinggi pada berbagai produk pangan

rekaman kuliah   

tugas

ppt

Teknologi penggorengan

Rekaman kuliah

tugas

ppt

Teknologi Pemanggangan dan Pengasapan

Rekaman Kuliah

ppt

tugas

Teknologi Pengeringan dan ekstrusi

Rekaman Kuliah

ppt

tugas:

Tugas Pengeringan dan ekstrusi

dikumpulkan 1 minggu setelah kuliah

Setiap kelompok mahasiswa berisi maksimal 4 orang membuat paper terkait teknologi pengolahan Pangan Teknologi Pengeringan dan ekstrusi pada produk pangan spesifik. dalam membuat paper tersebut harus bersumber dari jurnal internasional, rentang tahun bebas, minimal 10 artikel . dalam satu kelas jenis bahan pangan tidak boleh sama, Kelas Ganjil menggunakan teknologi pengeringan, Kelas Genap menggunakan teknologi ekstrusi, daftarkan ke Kormat. koordinasikan. Tugas ini merupakan sebagian Nilai UAS dan Tugas dari saya

1. Paper format docx

Halaman judul, dengan nama anggota, dan nama ketua kelompok. ketua kelompok bertanggung jawab memastikan kualitas paper

halaman berikutnya:

1. Jenis produk pangan

2. Pembahasan

kelas ganjil:

• Jelaskan pengaruh jenis tehnik pengeringan pada kualitas bahan pangan
• Jelaskan pengaruh parameter pengeringan (seperti suhu, waktu, pH, dan sebagainya) pada kualitas bahan pangan

Kelas genap

• Jelaskan pengaruh jenis tehnik ekstrusi pada kualitas bahan pangan
• Jelaskan pengaruh parameter ekxtrusi (seperti suhu, waktu, pH, dan sebagainya) pada kualitas bahan pangan

contoh pembahasan bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

dan

Ayustaningwarno, F., Dekker, M., Fogliano, V., & Verkerk, R. (2018). Effect of Vacuum Frying on Quality Attributes of Fruits. Food Engineering Reviews, 10(3), 154–164. doi: http://dx.doi.org/10.1007/s12393-018-9178-x

3. Kesimpulan

4. Daftar pustaka

gunakan tehnik sitasi 

Patrias, K., & Wendling, D. (2018). Citing Medicine The NLM Style Guide for Authors, Editors, and Publishers (2 ed.). Bethesda: National Library of Medicine. Bukunya dapat lihat https://ayustaningwarno.blogspot.com/p/materi-kuliah.html

contoh paper dan gaya sitasi bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

baca juga 

https://ayustaningwarno.blogspot.com/2020/09/literasi-ilmiah.html 

2. File presentasi PPTx

memiliki format wide

satu halaman maksimal 20 kata

dapat dipresentasikan selama minimal  10 menit.

buat video presentasi tersebut, upload ke drive kelompok, sertakan link nya di halaman terakhir file presentasi PPTx

jadi ada 2 file yang dikirimkan melalui kormat 2 minggu setelah kuliah

kormat memilih 5 video terbaik dari setiap kelas untuk difeture di youtube ilmu gizi

jika kesulitan harap segera hubungi dosen pengampu.

 Teknologi non thermal

Rekaman Kuliah

ppt

tugas:

 Tugas non thermal

dikumpulkan 2 minggu setelah kuliah

Setiap kelompok mahasiswa berisi maksimal 4 orang membuat paper terkait teknologi irradiasi pada produk pangan spesifik. dalam membuat paper tersebut harus bersumber dari jurnal internasional, rentang tahun bebas, minimal 5 artikel . dalam satu angkatan jenis bahan pangan tidak boleh sama, daftarkan ke Kormat. koordinasikan. Tugas ini merupakan sebagian Nilai UAS dan Tugas dari saya

1. Paper format docx

Halaman judul, dengan nama anggota, dan nama ketua kelompok. ketua kelompok bertanggung jawab memastikan kualitas paper

halaman berikutnya:

1. Jenis produk pangan

2. Pembahasan

• jelaskan mekanisme tehnik irradiasi yang digunakan
• jelaskan karakteristik produk yang digunakan
• Jelaskan pengaruh jenis tehnik irradiasi pada kualitas bahan pangan
• Jelaskan pengaruh parameter irradiasi (seperti suhu, waktu, pH, dan sebagainya) pada kualitas bahan pangan

contoh pembahasan bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

dan

Ayustaningwarno, F., Dekker, M., Fogliano, V., & Verkerk, R. (2018). Effect of Vacuum Frying on Quality Attributes of Fruits. Food Engineering Reviews, 10(3), 154–164. doi: http://dx.doi.org/10.1007/s12393-018-9178-x

3. Kesimpulan

4. Daftar pustaka

gunakan tehnik sitasi 

Patrias, K., & Wendling, D. (2018). Citing Medicine The NLM Style Guide for Authors, Editors, and Publishers (2 ed.). Bethesda: National Library of Medicine. Bukunya dapat lihat https://ayustaningwarno.blogspot.com/p/materi-kuliah.html

contoh paper dan gaya sitasi bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

baca juga 

https://ayustaningwarno.blogspot.com/2020/09/literasi-ilmiah.html 

2. File presentasi PPTx

memiliki format wide

satu halaman maksimal 20 kata

dapat dipresentasikan selama minimal  10 menit.

buat video presentasi tersebut, upload ke drive kelompok, sertakan link nya di halaman terakhir file presentasi PPTx

jadi ada 2 file yang dikirimkan melalui kormat 2 minggu setelah kuliah

kormat memilih 5 video terbaik dari setiap kelas untuk difeture di youtube ilmu gizi

jika kesulitan harap segera hubungi dosen pengampu.

--------------------------

insect as food

Rekaman Kuliah

ppt

tugas:

 Tugas insect as food

dikumpulkan 2 minggu setelah kuliah

Setiap kelompok mahasiswa berisi maksimal 4 orang membuat paper terkait produk berteknologi tinggi berbasis serangga. dalam membuat paper tersebut harus memuat jurnal internasional, rentang tahun bebas, minimal 5 artikel . dalam satu angkatan produk tidak boleh sama, daftarkan ke Kormat. koordinasikan. Tugas ini merupakan sebagian Nilai UAS dan Tugas dari saya

ketentuan tambahan produk

produk boleh berupa bahan aktif khusus yang diisolasi dari serangga

produk boleh berupa protein khusus dari seranga

produk berupa lemak khusus dari serangga

produk boleh berupa tepung serangga

produk tidak boleh resep sate serangga dan sejenisnya

1. Paper format docx

Halaman judul, dengan nama anggota, dan nama ketua kelompok. ketua kelompok bertanggung jawab memastikan kualitas paper

halaman berikutnya:

1. Jenis produk serangga

2. Pembahasan

• jelaskan deskripsi bahan baku serangga yang digunakan, sertakan nama ilmiah, nama lokal, taksonomi, gambar, deskripsi bentuk, wilayah hidup serangga
• deskripsikan produk olahan serangga yang dimaksud
• jelaskan proses produksinya, buat diagram alir, gunakan software draw.io untuk membuat diagram ini, sertakan file mentahnya di folder.
• jelaskan komposisi kimia dan dan sifat fisikanya
• jelaskan manfaat kesehatannya
• jelaskan cara pemanfaatan produk serangga tersebut.

contoh pembahasan bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

dan

Ayustaningwarno, F., Dekker, M., Fogliano, V., & Verkerk, R. (2018). Effect of Vacuum Frying on Quality Attributes of Fruits. Food Engineering Reviews, 10(3), 154–164. doi: http://dx.doi.org/10.1007/s12393-018-9178-x

3. Kesimpulan

4. Daftar pustaka

gunakan tehnik sitasi 

Patrias, K., & Wendling, D. (2018). Citing Medicine The NLM Style Guide for Authors, Editors, and Publishers (2 ed.). Bethesda: National Library of Medicine. Bukunya dapat lihat https://ayustaningwarno.blogspot.com/p/materi-kuliah.html

contoh paper dan gaya sitasi bisa dilihat di sini

Ayustaningwarno, F., Vitorino, J., Ginkel, E. v., Dekker, M., Fogliano, V., & Verkerk, R. (2020). Nutritional and Physicochemical Quality of Vacuum-Fried Mango Chips Is Affected by Ripening Stage, Frying Temperature, and Time. Frontiers in Nutrition, 7(95). doi:10.3389/fnut.2020.00095 

baca juga 

https://ayustaningwarno.blogspot.com/2020/09/literasi-ilmiah.html 

2. File presentasi PPTx

memiliki format wide

satu halaman maksimal 20 kata

dapat dipresentasikan selama minimal  10 menit.

buat video presentasi tersebut, dalam bentuk mp4, dalam resolusi minimal 1080

jadi ada 4 file yang dikirimkan melalui kormat 2 minggu setelah kuliah yaitu file ppt, file docx, file draw.io, file mp4

kormat memilih 5 video terbaik dari setiap kelas untuk difeture di youtube ilmu gizi

jika kesulitan harap segera hubungi dosen pengampu.

Bahasa Inggris

 Murphy, R. (2019). English Grammar in Use (5th ed.). Cambridge: Cambridge University Press.

Wallwork, A. (2013). English for Academic Research: Grammar, Usage and Style. London: Springer.

Wallwork, A. (2013). English for Academic Research: Grammar Exercises. London: Springer.

Wallwork, A. (2013). English for Academic Research: Writing Exercises. 

Wallwork, A. (2016). English for Writing Research Papers (2nd ed.). London: Springer.

1. Grammar: Tenses in academic research 

rekaman kuliah

ppt kuliah

Tugas sebelum kuliah

Tugas setelah kuliah

2. Grammar: Modal verbs and Complex Sentences in academic research 

rekaman kuliah

ppt kuliah

Tugas sebelum kuliah

Tugas setelah kuliah

3. Grammar : Active vs. Passive Sentences in academic research 

rekaman kuliah

ppt kuliah

Tugas sebelum kuliah

Tugas setelah kuliah

4. Grammar: Adverbs and prepositions in academic research 

rekaman kuliah

ppt kuliah

Tugas sebelum kuliah

Tugas setelah kuliah

5. Grammar: Articles and Quantifiers in academic research 

rekaman kuliah

ppt kuliah

Tugas sebelum kuliah

Tugas setelah kuliah

6. Tehnik membaca dalam penelitian akademik

rekaman kuliah

ppt kuliah

Tugas setelah kuliah- tugas UTS

7. Sentences and paragraph in academic research

rekaman kuliah

ppt kuliah

Tugas setelah kuliah

Pengenalan R, RStudio, ggplot, PCA, Git, sogosurvey.com

Fitriyono Ayustaningwarno

4/12/2020

#package

knitr::opts_chunk$set(echo = TRUE)
library(knitr) # untuk R markdown
library(Rmisc) # untuk fungsi summarySE

## Loading required package: lattice

## Loading required package: plyr

library(agricolae)# untuk fungsi HSD.test
library(ggplot2) #untuk fungsi grafik dengna ggplot
library(cowplot) #untuk membuat grafik grid

## 
## ********************************************************

## Note: As of version 1.0.0, cowplot does not change the

##   default ggplot2 theme anymore. To recover the previous

##   behavior, execute:
##   theme_set(theme_cowplot())

## ********************************************************

library(rstatix ) #untuk fungsi uji normalitas shapiro wilk

## 
## Attaching package: 'rstatix'

## The following object is masked from 'package:plyr':
## 
##     mutate

## The following object is masked from 'package:stats':
## 
##     filter

library(ggpubr) #untuk membuat density plot uji normalitas

## Loading required package: magrittr

## 
## Attaching package: 'ggpubr'

## The following object is masked from 'package:cowplot':
## 
##     get_legend

## The following object is masked from 'package:plyr':
## 
##     mutate

library(dplyr) #fungsi kalkulasi untuk membuat boxplot

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:plyr':
## 
##     arrange, count, desc, failwith, id, mutate, rename, summarise,
##     summarize

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyr) #fungsi kalkulasi untuk membuat boxplot

## 
## Attaching package: 'tidyr'

## The following object is masked from 'package:magrittr':
## 
##     extract

library(ggfortify) #untuk membuat pca dengan ggplot

#data

data(ToothGrowth)
ToothGrowth

##     len supp dose
## 1   4.2   VC  0.5
## 2  11.5   VC  0.5
## 3   7.3   VC  0.5
## 4   5.8   VC  0.5
## 5   6.4   VC  0.5
## 6  10.0   VC  0.5
## 7  11.2   VC  0.5
## 8  11.2   VC  0.5
## 9   5.2   VC  0.5
## 10  7.0   VC  0.5
## 11 16.5   VC  1.0
## 12 16.5   VC  1.0
## 13 15.2   VC  1.0
## 14 17.3   VC  1.0
## 15 22.5   VC  1.0
## 16 17.3   VC  1.0
## 17 13.6   VC  1.0
## 18 14.5   VC  1.0
## 19 18.8   VC  1.0
## 20 15.5   VC  1.0
## 21 23.6   VC  2.0
## 22 18.5   VC  2.0
## 23 33.9   VC  2.0
## 24 25.5   VC  2.0
## 25 26.4   VC  2.0
## 26 32.5   VC  2.0
## 27 26.7   VC  2.0
## 28 21.5   VC  2.0
## 29 23.3   VC  2.0
## 30 29.5   VC  2.0
## 31 15.2   OJ  0.5
## 32 21.5   OJ  0.5
## 33 17.6   OJ  0.5
## 34  9.7   OJ  0.5
## 35 14.5   OJ  0.5
## 36 10.0   OJ  0.5
## 37  8.2   OJ  0.5
## 38  9.4   OJ  0.5
## 39 16.5   OJ  0.5
## 40  9.7   OJ  0.5
## 41 19.7   OJ  1.0
## 42 23.3   OJ  1.0
## 43 23.6   OJ  1.0
## 44 26.4   OJ  1.0
## 45 20.0   OJ  1.0
## 46 25.2   OJ  1.0
## 47 25.8   OJ  1.0
## 48 21.2   OJ  1.0
## 49 14.5   OJ  1.0
## 50 27.3   OJ  1.0
## 51 25.5   OJ  2.0
## 52 26.4   OJ  2.0
## 53 22.4   OJ  2.0
## 54 24.5   OJ  2.0
## 55 24.8   OJ  2.0
## 56 30.9   OJ  2.0
## 57 26.4   OJ  2.0
## 58 27.3   OJ  2.0
## 59 29.4   OJ  2.0
## 60 23.0   OJ  2.0

summarySE

ToothGrowth_sum<-summarySE(data = ToothGrowth, "len", groupvars = c("supp", "dose"), na.rm = FALSE, 
          conf.interval = 0.95, .drop = TRUE)
ToothGrowth_sum

##   supp dose  N   len       sd        se       ci
## 1   OJ  0.5 10 13.23 4.459709 1.4102837 3.190283
## 2   OJ  1.0 10 22.70 3.910953 1.2367520 2.797727
## 3   OJ  2.0 10 26.06 2.655058 0.8396031 1.899314
## 4   VC  0.5 10  7.98 2.746634 0.8685620 1.964824
## 5   VC  1.0 10 16.77 2.515309 0.7954104 1.799343
## 6   VC  2.0 10 26.14 4.797731 1.5171757 3.432090

str(ToothGrowth)

## 'data.frame':    60 obs. of  3 variables:
##  $ len : num  4.2 11.5 7.3 5.8 6.4 10 11.2 11.2 5.2 7 ...
##  $ supp: Factor w/ 2 levels "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
##  $ dose: num  0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 ...

statistik

##linier model

tx_supp_dose <- with(ToothGrowth, interaction(supp, dose))
lm_supp_dose <- lm(len~tx_supp_dose, data = ToothGrowth)
summary(lm_supp_dose)

## 
## Call:
## lm(formula = len ~ tx_supp_dose, data = ToothGrowth)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
##  -8.20  -2.72  -0.27   2.65   8.27 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          13.230      1.148  11.521 3.60e-16 ***
## tx_supp_doseVC.0.5   -5.250      1.624  -3.233  0.00209 ** 
## tx_supp_doseOJ.1      9.470      1.624   5.831 3.18e-07 ***
## tx_supp_doseVC.1      3.540      1.624   2.180  0.03365 *  
## tx_supp_doseOJ.2     12.830      1.624   7.900 1.43e-10 ***
## tx_supp_doseVC.2     12.910      1.624   7.949 1.19e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.631 on 54 degrees of freedom
## Multiple R-squared:  0.7937, Adjusted R-squared:  0.7746 
## F-statistic: 41.56 on 5 and 54 DF,  p-value: < 2.2e-16

##anova test

anova(lm_supp_dose)

## Analysis of Variance Table
## 
## Response: len
##              Df  Sum Sq Mean Sq F value    Pr(>F)    
## tx_supp_dose  5 2740.10  548.02  41.557 < 2.2e-16 ***
## Residuals    54  712.11   13.19                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##HSD test group

HSD_supp_dose<-HSD.test(lm_supp_dose, trt = "tx_supp_dose", group = TRUE, console=TRUE)

## 
## Study: lm_supp_dose ~ "tx_supp_dose"
## 
## HSD Test for len 
## 
## Mean Square Error:  13.18715 
## 
## tx_supp_dose,  means
## 
##          len      std  r  Min  Max
## OJ.0.5 13.23 4.459709 10  8.2 21.5
## OJ.1   22.70 3.910953 10 14.5 27.3
## OJ.2   26.06 2.655058 10 22.4 30.9
## VC.0.5  7.98 2.746634 10  4.2 11.5
## VC.1   16.77 2.515309 10 13.6 22.5
## VC.2   26.14 4.797731 10 18.5 33.9
## 
## Alpha: 0.05 ; DF Error: 54 
## Critical Value of Studentized Range: 4.178265 
## 
## Minimun Significant Difference: 4.798124 
## 
## Treatments with the same letter are not significantly different.
## 
##          len groups
## VC.2   26.14      a
## OJ.2   26.06      a
## OJ.1   22.70      a
## VC.1   16.77      b
## OJ.0.5 13.23      b
## VC.0.5  7.98      c

HSD test group p value

HSD_supp_doseP<-HSD.test(lm_supp_dose, trt = "tx_supp_dose", group = FALSE, console=TRUE)

## 
## Study: lm_supp_dose ~ "tx_supp_dose"
## 
## HSD Test for len 
## 
## Mean Square Error:  13.18715 
## 
## tx_supp_dose,  means
## 
##          len      std  r  Min  Max
## OJ.0.5 13.23 4.459709 10  8.2 21.5
## OJ.1   22.70 3.910953 10 14.5 27.3
## OJ.2   26.06 2.655058 10 22.4 30.9
## VC.0.5  7.98 2.746634 10  4.2 11.5
## VC.1   16.77 2.515309 10 13.6 22.5
## VC.2   26.14 4.797731 10 18.5 33.9
## 
## Alpha: 0.05 ; DF Error: 54 
## Critical Value of Studentized Range: 4.178265 
## 
## Comparison between treatments means
## 
##                 difference pvalue signif.         LCL        UCL
## OJ.0.5 - OJ.1        -9.47 0.0000     *** -14.2681238  -4.671876
## OJ.0.5 - OJ.2       -12.83 0.0000     *** -17.6281238  -8.031876
## OJ.0.5 - VC.0.5       5.25 0.0243       *   0.4518762  10.048124
## OJ.0.5 - VC.1        -3.54 0.2640          -8.3381238   1.258124
## OJ.0.5 - VC.2       -12.91 0.0000     *** -17.7081238  -8.111876
## OJ.1 - OJ.2          -3.36 0.3187          -8.1581238   1.438124
## OJ.1 - VC.0.5        14.72 0.0000     ***   9.9218762  19.518124
## OJ.1 - VC.1           5.93 0.0074      **   1.1318762  10.728124
## OJ.1 - VC.2          -3.44 0.2936          -8.2381238   1.358124
## OJ.2 - VC.0.5        18.08 0.0000     ***  13.2818762  22.878124
## OJ.2 - VC.1           9.29 0.0000     ***   4.4918762  14.088124
## OJ.2 - VC.2          -0.08 1.0000          -4.8781238   4.718124
## VC.0.5 - VC.1        -8.79 0.0000     *** -13.5881238  -3.991876
## VC.0.5 - VC.2       -18.16 0.0000     *** -22.9581238 -13.361876
## VC.1 - VC.2          -9.37 0.0000     *** -14.1681238  -4.571876

grafik

base

plot(ToothGrowth_sum$dose,ToothGrowth_sum$len)

#fungsi plot dasar pada R tidak dapat melakukan gruping, sehingga jenis suplemen tidak dapat diamati

##grafik ggplot ###grafik ggplot dalam 1 plot

g.ToothGrowth<- 
  ggplot(data = ToothGrowth_sum,aes(x = dose,y=len), na.rm = FALSE) +
    geom_point(data = ToothGrowth_sum, aes(color=supp), size=4)+
  theme_classic(base_size = 14)+
  xlab("Dose (mg)") +
  ylab("Length (mm)")
 g.ToothGrowth

###grafik ggplot dalam 2 plot bersusun

g.ToothGrowth_grid<- 
  ggplot(data = ToothGrowth_sum,aes(x = dose,y=len), na.rm = FALSE) +
    geom_point()+
  theme_classic(base_size = 14)+
  xlab("Dose (mg)") +
  ylab("Length (mm)")+
  facet_grid(cols = vars(supp))
 g.ToothGrowth_grid

###grafik ggplot dalam 2 plot manual

g.ToothGrowth_OJ<- 
  ggplot(data = ToothGrowth_sum[ToothGrowth_sum$supp=="OJ",],aes(x = dose,y=len), na.rm = FALSE) +
    geom_point()+
  theme_classic(base_size = 14)+
  xlab("Dose (mg)") +
  ylab("Length (mm)")
g.ToothGrowth_OJ

g.ToothGrowth_VC<- 
  ggplot(data = ToothGrowth_sum[ToothGrowth_sum$supp=="VC",],aes(x = dose,y=len), na.rm = FALSE) +
    geom_line()+
  geom_point()+
  theme_classic(base_size = 14)+
  xlab("Dose (mg)") +
  ylab("Length (mm)")
g.ToothGrowth_VC

g.ToothGrowth_grid<-plot_grid(g.ToothGrowth_OJ, g.ToothGrowth_VC,                       ncol=2,  align = 'v', rel_heights = c(1/5, 1/5),
                           labels = c('A', 'B'))
g.ToothGrowth_grid

ggsave("g.ToothGrowth_grid.pdf", plot= g.ToothGrowth_grid,  width = 200, height = 130, units = "mm")
#untuk menyimpan dalam bentuk pdf
ggsave("g.ToothGrowth_grid.png", plot= g.ToothGrowth_grid,  width = 200, height = 130, units = "mm")
#untuk menyimpan dalam bentuk png
rm(g.ToothGrowth_OV)

## Warning in rm(g.ToothGrowth_OV): object 'g.ToothGrowth_OV' not found

#PCA ##data

#data
data("iris")
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

data profile

iris %>% shapiro_test(Sepal.Length, Sepal.Width, Petal.Length, Petal.Width)

## # A tibble: 4 x 3
##   variable     statistic        p
##   <chr>            <dbl>    <dbl>
## 1 Petal.Length     0.876 7.41e-10
## 2 Petal.Width      0.902 1.68e- 8
## 3 Sepal.Length     0.976 1.02e- 2
## 4 Sepal.Width      0.985 1.01e- 1

#  p-value > 0.05 implying that the distribution of the data are not significantly different from normal distribution. In other words, we can assume the normality.


g.density_Sepal.Length<-ggdensity(iris$Sepal.Length, 
          main = "Density plot of Sepal Length",
          xlab = "Sepal Length")

g.density_Sepal.Width<-ggdensity(iris$Sepal.Width, 
          main = "Density plot of Sepal Width",
          xlab = "Sepal Width")

g.density_Petal.Length<-ggdensity(iris$Petal.Length, 
          main = "Density plot of Petal Length",
          xlab = "Petal Length")

g.density_Petal.Width<-ggdensity(iris$Petal.Width, 
          main = "Density plot of Petal Width",
          xlab = "Petal Width")


g.density_iris_grid<-plot_grid(g.density_Petal.Length, g.density_Petal.Width, g.density_Sepal.Length, g.density_Sepal.Width,                       ncol=2,  align = 'v', rel_heights = c(1/5, 1/5, 1/5, 1/5),
                           labels = c('A', 'B', 'C', 'D'))
g.density_iris_grid

##data transformation ###log transformation

#https://www.r-bloggers.com/computing-and-visualizing-pca-in-r/
#menggunakan log transformation, scaling and mean centering transformation
log.ir <- log(iris[, 1:4])
ir.species <- iris[, 5]
log.ir

##     Sepal.Length Sepal.Width Petal.Length Petal.Width
## 1       1.629241   1.2527630   0.33647224 -1.60943791
## 2       1.589235   1.0986123   0.33647224 -1.60943791
## 3       1.547563   1.1631508   0.26236426 -1.60943791
## 4       1.526056   1.1314021   0.40546511 -1.60943791
## 5       1.609438   1.2809338   0.33647224 -1.60943791
## 6       1.686399   1.3609766   0.53062825 -0.91629073
## 7       1.526056   1.2237754   0.33647224 -1.20397280
## 8       1.609438   1.2237754   0.40546511 -1.60943791
## 9       1.481605   1.0647107   0.33647224 -1.60943791
## 10      1.589235   1.1314021   0.40546511 -2.30258509
## 11      1.686399   1.3083328   0.40546511 -1.60943791
## 12      1.568616   1.2237754   0.47000363 -1.60943791
## 13      1.568616   1.0986123   0.33647224 -2.30258509
## 14      1.458615   1.0986123   0.09531018 -2.30258509
## 15      1.757858   1.3862944   0.18232156 -1.60943791
## 16      1.740466   1.4816045   0.40546511 -0.91629073
## 17      1.686399   1.3609766   0.26236426 -0.91629073
## 18      1.629241   1.2527630   0.33647224 -1.20397280
## 19      1.740466   1.3350011   0.53062825 -1.20397280
## 20      1.629241   1.3350011   0.40546511 -1.20397280
## 21      1.686399   1.2237754   0.53062825 -1.60943791
## 22      1.629241   1.3083328   0.40546511 -0.91629073
## 23      1.526056   1.2809338   0.00000000 -1.60943791
## 24      1.629241   1.1939225   0.53062825 -0.69314718
## 25      1.568616   1.2237754   0.64185389 -1.60943791
## 26      1.609438   1.0986123   0.47000363 -1.60943791
## 27      1.609438   1.2237754   0.47000363 -0.91629073
## 28      1.648659   1.2527630   0.40546511 -1.60943791
## 29      1.648659   1.2237754   0.33647224 -1.60943791
## 30      1.547563   1.1631508   0.47000363 -1.60943791
## 31      1.568616   1.1314021   0.47000363 -1.60943791
## 32      1.686399   1.2237754   0.40546511 -0.91629073
## 33      1.648659   1.4109870   0.40546511 -2.30258509
## 34      1.704748   1.4350845   0.33647224 -1.60943791
## 35      1.589235   1.1314021   0.40546511 -1.60943791
## 36      1.609438   1.1631508   0.18232156 -1.60943791
## 37      1.704748   1.2527630   0.26236426 -1.60943791
## 38      1.589235   1.2809338   0.33647224 -2.30258509
## 39      1.481605   1.0986123   0.26236426 -1.60943791
## 40      1.629241   1.2237754   0.40546511 -1.60943791
## 41      1.609438   1.2527630   0.26236426 -1.20397280
## 42      1.504077   0.8329091   0.26236426 -1.20397280
## 43      1.481605   1.1631508   0.26236426 -1.60943791
## 44      1.609438   1.2527630   0.47000363 -0.51082562
## 45      1.629241   1.3350011   0.64185389 -0.91629073
## 46      1.568616   1.0986123   0.33647224 -1.20397280
## 47      1.629241   1.3350011   0.47000363 -1.60943791
## 48      1.526056   1.1631508   0.33647224 -1.60943791
## 49      1.667707   1.3083328   0.40546511 -1.60943791
## 50      1.609438   1.1939225   0.33647224 -1.60943791
## 51      1.945910   1.1631508   1.54756251  0.33647224
## 52      1.856298   1.1631508   1.50407740  0.40546511
## 53      1.931521   1.1314021   1.58923521  0.40546511
## 54      1.704748   0.8329091   1.38629436  0.26236426
## 55      1.871802   1.0296194   1.52605630  0.40546511
## 56      1.740466   1.0296194   1.50407740  0.26236426
## 57      1.840550   1.1939225   1.54756251  0.47000363
## 58      1.589235   0.8754687   1.19392247  0.00000000
## 59      1.887070   1.0647107   1.52605630  0.26236426
## 60      1.648659   0.9932518   1.36097655  0.33647224
## 61      1.609438   0.6931472   1.25276297  0.00000000
## 62      1.774952   1.0986123   1.43508453  0.40546511
## 63      1.791759   0.7884574   1.38629436  0.00000000
## 64      1.808289   1.0647107   1.54756251  0.33647224
## 65      1.722767   1.0647107   1.28093385  0.26236426
## 66      1.902108   1.1314021   1.48160454  0.33647224
## 67      1.722767   1.0986123   1.50407740  0.40546511
## 68      1.757858   0.9932518   1.41098697  0.00000000
## 69      1.824549   0.7884574   1.50407740  0.40546511
## 70      1.722767   0.9162907   1.36097655  0.09531018
## 71      1.774952   1.1631508   1.56861592  0.58778666
## 72      1.808289   1.0296194   1.38629436  0.26236426
## 73      1.840550   0.9162907   1.58923521  0.40546511
## 74      1.808289   1.0296194   1.54756251  0.18232156
## 75      1.856298   1.0647107   1.45861502  0.26236426
## 76      1.887070   1.0986123   1.48160454  0.33647224
## 77      1.916923   1.0296194   1.56861592  0.33647224
## 78      1.902108   1.0986123   1.60943791  0.53062825
## 79      1.791759   1.0647107   1.50407740  0.40546511
## 80      1.740466   0.9555114   1.25276297  0.00000000
## 81      1.704748   0.8754687   1.33500107  0.09531018
## 82      1.704748   0.8754687   1.30833282  0.00000000
## 83      1.757858   0.9932518   1.36097655  0.18232156
## 84      1.791759   0.9932518   1.62924054  0.47000363
## 85      1.686399   1.0986123   1.50407740  0.40546511
## 86      1.791759   1.2237754   1.50407740  0.47000363
## 87      1.902108   1.1314021   1.54756251  0.40546511
## 88      1.840550   0.8329091   1.48160454  0.26236426
## 89      1.722767   1.0986123   1.41098697  0.26236426
## 90      1.704748   0.9162907   1.38629436  0.26236426
## 91      1.704748   0.9555114   1.48160454  0.18232156
## 92      1.808289   1.0986123   1.52605630  0.33647224
## 93      1.757858   0.9555114   1.38629436  0.18232156
## 94      1.609438   0.8329091   1.19392247  0.00000000
## 95      1.722767   0.9932518   1.43508453  0.26236426
## 96      1.740466   1.0986123   1.43508453  0.18232156
## 97      1.740466   1.0647107   1.43508453  0.26236426
## 98      1.824549   1.0647107   1.45861502  0.26236426
## 99      1.629241   0.9162907   1.09861229  0.09531018
## 100     1.740466   1.0296194   1.41098697  0.26236426
## 101     1.840550   1.1939225   1.79175947  0.91629073
## 102     1.757858   0.9932518   1.62924054  0.64185389
## 103     1.960095   1.0986123   1.77495235  0.74193734
## 104     1.840550   1.0647107   1.72276660  0.58778666
## 105     1.871802   1.0986123   1.75785792  0.78845736
## 106     2.028148   1.0986123   1.88706965  0.74193734
## 107     1.589235   0.9162907   1.50407740  0.53062825
## 108     1.987874   1.0647107   1.84054963  0.58778666
## 109     1.902108   0.9162907   1.75785792  0.58778666
## 110     1.974081   1.2809338   1.80828877  0.91629073
## 111     1.871802   1.1631508   1.62924054  0.69314718
## 112     1.856298   0.9932518   1.66770682  0.64185389
## 113     1.916923   1.0986123   1.70474809  0.74193734
## 114     1.740466   0.9162907   1.60943791  0.69314718
## 115     1.757858   1.0296194   1.62924054  0.87546874
## 116     1.856298   1.1631508   1.66770682  0.83290912
## 117     1.871802   1.0986123   1.70474809  0.58778666
## 118     2.041220   1.3350011   1.90210753  0.78845736
## 119     2.041220   0.9555114   1.93152141  0.83290912
## 120     1.791759   0.7884574   1.60943791  0.40546511
## 121     1.931521   1.1631508   1.74046617  0.83290912
## 122     1.722767   1.0296194   1.58923521  0.69314718
## 123     2.041220   1.0296194   1.90210753  0.69314718
## 124     1.840550   0.9932518   1.58923521  0.58778666
## 125     1.902108   1.1939225   1.74046617  0.74193734
## 126     1.974081   1.1631508   1.79175947  0.58778666
## 127     1.824549   1.0296194   1.56861592  0.58778666
## 128     1.808289   1.0986123   1.58923521  0.58778666
## 129     1.856298   1.0296194   1.72276660  0.74193734
## 130     1.974081   1.0986123   1.75785792  0.47000363
## 131     2.001480   1.0296194   1.80828877  0.64185389
## 132     2.066863   1.3350011   1.85629799  0.69314718
## 133     1.856298   1.0296194   1.72276660  0.78845736
## 134     1.840550   1.0296194   1.62924054  0.40546511
## 135     1.808289   0.9555114   1.72276660  0.33647224
## 136     2.041220   1.0986123   1.80828877  0.83290912
## 137     1.840550   1.2237754   1.72276660  0.87546874
## 138     1.856298   1.1314021   1.70474809  0.58778666
## 139     1.791759   1.0986123   1.56861592  0.58778666
## 140     1.931521   1.1314021   1.68639895  0.74193734
## 141     1.902108   1.1314021   1.72276660  0.87546874
## 142     1.931521   1.1314021   1.62924054  0.83290912
## 143     1.757858   0.9932518   1.62924054  0.64185389
## 144     1.916923   1.1631508   1.77495235  0.83290912
## 145     1.902108   1.1939225   1.74046617  0.91629073
## 146     1.902108   1.0986123   1.64865863  0.83290912
## 147     1.840550   0.9162907   1.60943791  0.64185389
## 148     1.871802   1.0986123   1.64865863  0.69314718
## 149     1.824549   1.2237754   1.68639895  0.83290912
## 150     1.774952   1.0986123   1.62924054  0.58778666

iris_log<-cbind(log.ir,ir.species)

log.ir %>% shapiro_test(Sepal.Length, Sepal.Width, Petal.Length, Petal.Width)

## # A tibble: 4 x 3
##   variable     statistic        p
##   <chr>            <dbl>    <dbl>
## 1 Petal.Length     0.817 2.04e-12
## 2 Petal.Width      0.821 3.05e-12
## 3 Sepal.Length     0.983 5.39e- 2
## 4 Sepal.Width      0.989 3.01e- 1

scaling and mean centering

iris_data<-iris[,1:4]
iris_center_scale_data<-as.data.frame(scale(iris_data, center = TRUE, scale = TRUE))
iris_center_scale<-cbind(iris_center_scale_data, ir.species)
iris_log_center_scale_data<-as.data.frame(scale(log.ir, center = TRUE, scale = TRUE))
iris_log_center_scale<-cbind(iris_log_center_scale_data, ir.species)

##boxspot comparison with ggplot

g.boxplot_iris<-iris %>% dplyr::select(Species, everything()) %>% tidyr::gather("id", "value",2:5) %>% 
  ggplot(., aes(x = id, y = value))+geom_boxplot()

g.boxplot_iris_log<-iris_log %>% dplyr::select(ir.species, everything()) %>% tidyr::gather("id", "value",2:5) %>% 
  ggplot(., aes(x = id, y = value))+geom_boxplot()

g.boxplot_iris_center_scale<-iris_center_scale %>% dplyr::select(ir.species, everything()) %>% tidyr::gather("id", "value",2:5) %>% 
  ggplot(., aes(x = id, y = value))+geom_boxplot()

g.boxplot_iris_log_center_scale<-iris_log_center_scale %>% dplyr::select(ir.species, everything()) %>% tidyr::gather("id", "value",2:5) %>% 
  ggplot(., aes(x = id, y = value))+geom_boxplot()

g.boxplot_iris_comparison<-plot_grid(g.boxplot_iris, g.boxplot_iris_log, g.boxplot_iris_center_scale, g.boxplot_iris_log_center_scale, ncol=2,  align = 'v', rel_heights = c(1/5, 1/5, 1/5, 1/5),
                           labels = c('A', 'B', 'C', 'D'))
g.boxplot_iris_comparison

# A. g.boxplot_iris, 
# B. g.boxplot_iris_log,
# C. g.boxplot_iris_center_scale,
# D. g.boxplot_iris_log_center_scale

##PCA dengan ggplot profil lengkap

g.pca_iris_compl<-autoplot(prcomp(iris_data), data = iris, colour = 'Species', frame = T, loadings = TRUE, loadings.label = TRUE)
g.pca_iris_compl

g.scree_iris<-plot(prcomp(iris_data))

g.scree_iris

## NULL

##PCA dengan ggplot perbandingan

g.pca_iris<-autoplot(prcomp(iris_data), data = iris, colour = 'Species', frame = T)
g.pca_iris_log<-autoplot(prcomp(log.ir), data = iris_log, colour = 'ir.species', frame = T)
g.pca_iris_center_scale<-autoplot(prcomp(iris_center_scale_data, center =  FALSE), data = iris_center_scale, colour = 'ir.species', frame = T)
g.pca_iris_log_center_scale<-autoplot(prcomp(iris_log_center_scale_data, center =  FALSE), data = iris_log_center_scale, colour = 'ir.species', frame = T)

g.pca_iris_comparison<-plot_grid(g.pca_iris, g.pca_iris_log, g.pca_iris_center_scale, g.pca_iris_log_center_scale, ncol=2,  align = 'v', rel_heights = c(1/5, 1/5, 1/5, 1/5),
                           labels = c('A', 'B', 'C', 'D'))
g.pca_iris_comparison

# A. g.pca_iris, 
# B. g.pca_iris_log,
# C. g.pca_iris_center_scale,
# D. g.pca_iris_log_center_scale