Download Data Tugas pada E-Learning dengan judul “Data Bencana Provinsi Sumatera Barat Tahun 2018.csv”, lalu lakukan proses import data tersebut ke R.
library(readxl)
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018 <- read_excel("D:/Data Bencana Provinsi Sumatera Barat Tahun 2018.xlsx")
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018## # A tibble: 36 × 16
## `Kode_Kab/Kot` `Nama_kab/kot` Kode_bencana Kejadian Lon Lat
## <dbl> <chr> <dbl> <chr> <dbl> <chr>
## 1 1301 KEPULAUAN MENTAWAI 101 BANJIR 98950602 -1359494
## 2 1302 PESISIR SELATAN 101 BANJIR 100816773 -1717765
## 3 1303 SOLOK 101 BANJIR 100837884 -0.927534
## 4 1304 SIJUNJUNG 101 BANJIR 101149204 -0.648475
## 5 1305 TANAH DATAR 101 BANJIR 100582793 -0.469818
## 6 1306 PADANG PARIAMAN 101 BANJIR 100209847 -0.566716
## 7 1307 AGAM 101 BANJIR 100153757 -0.253182
## 8 1308 LIMA PULUH KOTA 101 BANJIR 100552812 0.028057
## 9 1309 PASAMAN 101 BANJIR 100047454 0.399888
## 10 1310 SOLOK SELATAN 101 BANJIR 101273582 -1365012
## # ℹ 26 more rows
## # ℹ 10 more variables: `Jumlah Bencana` <dbl>, `Meninggal dan Hilang` <dbl>,
## # Menderita <dbl>, Mengungsi <dbl>, `Rumah Rusak Berat` <dbl>,
## # `Rumah Rusak Sedang` <dbl>, `Rumah Rusak Ringan` <dbl>,
## # `Faskes Rusak` <dbl>, `Rumah Ibadah Rusak` <dbl>, `Sekolah Rusak` <dbl>Buatlah variabel baru dengan definisi sebagai berikut: Rumah.Rusak=Rumah.Rusak.Berat+Rumah.Rusak.Sedang+Rumah.Rusak.Ringan
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018$Rumah.Rusak = Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018$`Rumah Rusak Berat` + Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018$`Rumah Rusak Sedang` + Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018$`Rumah Rusak Ringan`
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018## # A tibble: 36 × 17
## `Kode_Kab/Kot` `Nama_kab/kot` Kode_bencana Kejadian Lon Lat
## <dbl> <chr> <dbl> <chr> <dbl> <chr>
## 1 1301 KEPULAUAN MENTAWAI 101 BANJIR 98950602 -1359494
## 2 1302 PESISIR SELATAN 101 BANJIR 100816773 -1717765
## 3 1303 SOLOK 101 BANJIR 100837884 -0.927534
## 4 1304 SIJUNJUNG 101 BANJIR 101149204 -0.648475
## 5 1305 TANAH DATAR 101 BANJIR 100582793 -0.469818
## 6 1306 PADANG PARIAMAN 101 BANJIR 100209847 -0.566716
## 7 1307 AGAM 101 BANJIR 100153757 -0.253182
## 8 1308 LIMA PULUH KOTA 101 BANJIR 100552812 0.028057
## 9 1309 PASAMAN 101 BANJIR 100047454 0.399888
## 10 1310 SOLOK SELATAN 101 BANJIR 101273582 -1365012
## # ℹ 26 more rows
## # ℹ 11 more variables: `Jumlah Bencana` <dbl>, `Meninggal dan Hilang` <dbl>,
## # Menderita <dbl>, Mengungsi <dbl>, `Rumah Rusak Berat` <dbl>,
## # `Rumah Rusak Sedang` <dbl>, `Rumah Rusak Ringan` <dbl>,
## # `Faskes Rusak` <dbl>, `Rumah Ibadah Rusak` <dbl>, `Sekolah Rusak` <dbl>,
## # Rumah.Rusak <dbl>Hapus kolom “Kode_Kab.Kot”, “Kode_bencana”, “Lon”, “Lat”, “Menderita”, “Mengungsi”, “Rumah.Rusak.Berat”, “Rumah.Rusak.Sedang”, “Rumah.Rusak.Ringan”, “Faskes.Rusak”, “Rumah.Ibadah.Rusak”, “Sekolah.Rusak”. (Silahkan cari pada Buku, Manual R, atau Internet untuk perintah menghapus kolom).
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018 <- Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018[,-c(1,3,5,6,9,10,11,12,13,14,15,16)]
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018## # A tibble: 36 × 5
## `Nama_kab/kot` Kejadian `Jumlah Bencana` `Meninggal dan Hilang` Rumah.Rusak
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 KEPULAUAN MENTA… BANJIR 4 0 0
## 2 PESISIR SELATAN BANJIR 2 0 0
## 3 SOLOK BANJIR 3 1 20
## 4 SIJUNJUNG BANJIR 5 1 57
## 5 TANAH DATAR BANJIR 1 6 11
## 6 PADANG PARIAMAN BANJIR 6 0 20
## 7 AGAM BANJIR 5 0 5
## 8 LIMA PULUH KOTA BANJIR 5 1 2
## 9 PASAMAN BANJIR 5 1 69
## 10 SOLOK SELATAN BANJIR 1 0 0
## # ℹ 26 more rowsMenginput data tinggi badan dan berat badan lalu menenentukan kriteria berat badan idealnya
No <- c(1,2,3,4,5,6,7,8,9,10)
Nama <- c("Josephine",'Peter','Adam','Lusiana', 'Anthoni', 'Gabriela', 'Mario', 'Suzan', "Laura", "Evelyn")
Usia <- c(17,20,19,22,20,21,20,21,18,19)
Tinggi <- c(167,173,183,159,173,160,169,161,157,153)
Berat <- c(57,62,67,46,57,53,55,44,50,43)
data_mahasiswa <- data.frame(No,Nama,Usia,Tinggi,Berat)
data_mahasiswa## No Nama Usia Tinggi Berat
## 1 1 Josephine 17 167 57
## 2 2 Peter 20 173 62
## 3 3 Adam 19 183 67
## 4 4 Lusiana 22 159 46
## 5 5 Anthoni 20 173 57
## 6 6 Gabriela 21 160 53
## 7 7 Mario 20 169 55
## 8 8 Suzan 21 161 44
## 9 9 Laura 18 157 50
## 10 10 Evelyn 19 153 43Menambahkan variabel nilai BMI
data_mahasiswa$Nilai_BMI <- data_mahasiswa$Berat / ((data_mahasiswa$Tinggi/100)^2)
data_mahasiswa## No Nama Usia Tinggi Berat Nilai_BMI
## 1 1 Josephine 17 167 57 20.43817
## 2 2 Peter 20 173 62 20.71569
## 3 3 Adam 19 183 67 20.00657
## 4 4 Lusiana 22 159 46 18.19548
## 5 5 Anthoni 20 173 57 19.04507
## 6 6 Gabriela 21 160 53 20.70312
## 7 7 Mario 20 169 55 19.25703
## 8 8 Suzan 21 161 44 16.97465
## 9 9 Laura 18 157 50 20.28480
## 10 10 Evelyn 19 153 43 18.36900Menambahkan variabel Kriteria Berat Badan Ideal
data_mahasiswa$Kategori[data_mahasiswa$Nilai_BMI<18.5] <- "Underweight/Kurus"
data_mahasiswa$Kategori[data_mahasiswa$Nilai_BMI>=18.5 & data_mahasiswa$Nilai_BMI<=24.9] <- "Normal"
data_mahasiswa$Kategori[data_mahasiswa$Nilai_BMI>=25 & data_mahasiswa$Nilai_BMI<=29.9] <- "Overweight/Kegemukan"
data_mahasiswa$Kategori[data_mahasiswa$Nilai_BMI>=30] <- "Obesitas"
data_mahasiswa## No Nama Usia Tinggi Berat Nilai_BMI Kategori
## 1 1 Josephine 17 167 57 20.43817 Normal
## 2 2 Peter 20 173 62 20.71569 Normal
## 3 3 Adam 19 183 67 20.00657 Normal
## 4 4 Lusiana 22 159 46 18.19548 Underweight/Kurus
## 5 5 Anthoni 20 173 57 19.04507 Normal
## 6 6 Gabriela 21 160 53 20.70312 Normal
## 7 7 Mario 20 169 55 19.25703 Normal
## 8 8 Suzan 21 161 44 16.97465 Underweight/Kurus
## 9 9 Laura 18 157 50 20.28480 Normal
## 10 10 Evelyn 19 153 43 18.36900 Underweight/Kurus