Skip to main content

Penyorot Sintaks (Syntax Highlighting) untuk R Software

Kode-kode sintaks pemograman yang monoton dan tidak bewarna akan kurang menarik jika ditampilkan dalam blog atau website. Begitu juga dengan software pemograman R Software, salah satu software pemograman analisis statistik.

Di bawah ini adalah contoh tampilan sintaks software pemograman R yang digunakan untuk melakukan estimasi parameter analisis regresi sederhana.

# Regresi Linier Sederhana
# Model regresi: y = a + bx + e

# Definisikan varibel independen.
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)

# Definisikan variabel dependen.
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)

# Estimasi model regresi dengan fungsi lm().
regresi <- lm(y~x)

# Hasil estimasi model
print(regresi)

Tampilan kode sintaks tersebut bisa menjadi menarik dengan melakukan penyorotan sintaks (Syntax Highlighting). Caranya ada dua yaitu dengan menggunakan kode-kode HTML dan dengan memanfaatkan Javascript.

HTML

Berikut ini adalah langkah-langkah melakukan penyorotan sintaks dengan menggunakan kode-kode html.

  1. Buka website http://markup.su/highlighter/.

  2. Tulis atau copy kode di atas dan paste pada kotak Source code, kemudian pada pilihan Language yang berada di bawah kotak tersebut pilih R.

  3. Pada bagian Style yang berada di sebelahnya pilih Solarized (light) atau jenis tampilan lain yang diinginkan. Selanjutnya tekan tombol Highlight.

  4. Pada bagian bawah akan muncul Preview yaitu hasil penyorotan sintaks. Tampilannya adalah sebagai berikut.
  5. # Regresi Linier Sederhana
    # Model regresi: y = a + bx + e
    
    # Definisikan varibel independen.
    x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)
    
    # Definisikan variabel dependen.
    y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)
    
    # Estimasi model regresi dengan fungsi lm().
    regresi <- lm(y~x)
    
    # Hasil estimasi model
    print(regresi)
    
  6. Selanjutnya copy kode yang ada pada bagian HTML code dan paste ke website atau blog. Kode tersebut adalah
  7. <pre style="background:#fdf6e3;color:#000">
    <span style="color:#00b418"># Regresi Linier Sederhana</span>
    <span style="color:#00b418"># Model regresi: y = a + bx + e</span>
    
    <span style="color:#00b418"># Definisikan varibel independen.</span>
    <span style="color:#0206ff;font-style:italic">x</span> <span style="color:#0100b6;font-weight:700">&lt;-</span> c(<span style="color:#cd0000;font-style:italic">151</span>, <span style="color:#cd0000;font-style:italic">174</span>, <span style="color:#cd0000;font-style:italic">138</span>, <span style="color:#cd0000;font-style:italic">186</span>, <span style="color:#cd0000;font-style:italic">128</span>, <span style="color:#cd0000;font-style:italic">136</span>, <span style="color:#cd0000;font-style:italic">179</span>, <span style="color:#cd0000;font-style:italic">163</span>, <span style="color:#cd0000;font-style:italic">152</span>, <span style="color:#cd0000;font-style:italic">131</span>)
    
    <span style="color:#00b418"># Definisikan variabel dependen.</span>
    <span style="color:#0206ff;font-style:italic">y</span> <span style="color:#0100b6;font-weight:700">&lt;-</span> c(<span style="color:#cd0000;font-style:italic">63</span>, <span style="color:#cd0000;font-style:italic">81</span>, <span style="color:#cd0000;font-style:italic">56</span>, <span style="color:#cd0000;font-style:italic">91</span>, <span style="color:#cd0000;font-style:italic">47</span>, <span style="color:#cd0000;font-style:italic">57</span>, <span style="color:#cd0000;font-style:italic">76</span>, <span style="color:#cd0000;font-style:italic">72</span>, <span style="color:#cd0000;font-style:italic">62</span>, <span style="color:#cd0000;font-style:italic">48</span>)
    
    <span style="color:#00b418"># Estimasi model regresi dengan fungsi lm().</span>
    <span style="color:#0206ff;font-style:italic">regresi</span> <span style="color:#0100b6;font-weight:700">&lt;-</span> lm(<span style="color:#0206ff;font-style:italic">y</span><span style="color:#0100b6;font-weight:700">~</span><span style="color:#0206ff;font-style:italic">x</span>)
    
    <span style="color:#00b418"># Hasil estimasi model</span>
    print(<span style="color:#0206ff;font-style:italic">regresi</span>)
    </pre>
    

Javascript

Salin kode di bawah ini kemudian paste sebelum kode </head>.

<link href='https://cdnjs.cloudflare.com/ajax/libs/SyntaxHighlighter/3.0.83/styles/shCore.css' rel='stylesheet' type='text/css'/>
<link href='https://cdnjs.cloudflare.com/ajax/libs/SyntaxHighlighter/3.0.83/styles/shThemeDefault.min.css' rel='stylesheet' type='text/css'/>
<script src='https://cdnjs.cloudflare.com/ajax/libs/SyntaxHighlighter/3.0.83/scripts/shCore.js' type='text/javascript'></script>
<script src='https://cdnjs.cloudflare.com/ajax/libs/SyntaxHighlighter/3.0.83/scripts/shAutoloader.js' type='text/javascript'></script>
<script src='https://drive.google.com/uc?export=download&id=1aXiQeDpzzLpo1CGe49G163M1odO8GwnH'></script>
<script language='javascript'>
      SyntaxHighlighter.config.bloggerMode = true;
      SyntaxHighlighter.config.stripBrs = true;
      SyntaxHighlighter.config.clipboardSwf = 'https://alexgorbatchev.com/pub/sh/current/scripts/clipboard.swf';
      SyntaxHighlighter.all();
</script>

Buat kode syntaks dalam konten blog atau website seperti format berikut.

<pre class="brush: r">
****** Buat kode di sini ******
</pre>

Misalnya

<pre class="brush: r">
# Regresi Linier Sederhana
# Model regresi: y = a + bx + e

# Definisikan varibel independen.
x &lt;- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131) # Definisikan variabel dependen.
y &lt;- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48) # Estimasi model regresi dengan fungsi lm(). regresi &lt;- lm(y~x) # Hasil estimasi model print(regresi) </pre>

Tampilannya adalah sebagai berikut.

 Regresi Linier Sederhana
 Model regresi: y = a + bx + e

 Definisikan varibel independen.
x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131)

 Definisikan variabel dependen.
y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48)

 Estimasi model regresi dengan fungsi lm().
regresi <- lm(y~x)

 Hasil estimasi model
print(regresi)