#impor data bencana provinsi
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018 <- read.csv("Komputasi Statistika/Data Bencana Provinsi Sumatera Barat Tahun 2018 (1).csv",header=TRUE)
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018## Kode_Kab.Kot Nama_kab.kot Kode_bencana Kejadian
## 1 1301 KEPULAUAN MENTAWAI 101 BANJIR
## 2 1302 PESISIR SELATAN 101 BANJIR
## 3 1303 SOLOK 101 BANJIR
## 4 1304 SIJUNJUNG 101 BANJIR
## 5 1305 TANAH DATAR 101 BANJIR
## 6 1306 PADANG PARIAMAN 101 BANJIR
## 7 1307 AGAM 101 BANJIR
## 8 1308 LIMA PULUH KOTA 101 BANJIR
## 9 1309 PASAMAN 101 BANJIR
## 10 1310 SOLOK SELATAN 101 BANJIR
## 11 1311 DHARMASRAYA 101 BANJIR
## 12 1312 PASAMAN BARAT 101 BANJIR
## 13 1371 KOTA PADANG 101 BANJIR
## 14 1372 KOTA SOLOK 101 BANJIR
## 15 1375 KOTA BUKITTINGGI 101 BANJIR
## 16 1305 TANAH DATAR 102 TANAH LONGSOR
## 17 1306 PADANG PARIAMAN 102 TANAH LONGSOR
## 18 1307 AGAM 102 TANAH LONGSOR
## 19 1308 LIMA PULUH KOTA 102 TANAH LONGSOR
## 20 1371 KOTA PADANG 102 TANAH LONGSOR
## 21 1373 KOTA SAWAHLUNTO 102 TANAH LONGSOR
## 22 1375 KOTA BUKITTINGGI 102 TANAH LONGSOR
## 23 1377 KOTA PARIAMAN 102 TANAH LONGSOR
## 24 1306 PADANG PARIAMAN 104 GELOMBANG PASANG / ABRASI
## 25 1371 KOTA PADANG 104 GELOMBANG PASANG / ABRASI
## 26 1306 PADANG PARIAMAN 105 PUTING BELIUNG
## 27 1307 AGAM 105 PUTING BELIUNG
## 28 1308 LIMA PULUH KOTA 105 PUTING BELIUNG
## 29 1310 SOLOK SELATAN 105 PUTING BELIUNG
## 30 1371 KOTA PADANG 105 PUTING BELIUNG
## 31 1372 KOTA SOLOK 105 PUTING BELIUNG
## 32 1373 KOTA SAWAHLUNTO 105 PUTING BELIUNG
## 33 1303 SOLOK 107 KEBAKARAN HUTAN DAN LAHAN
## 34 1303 SOLOK 108 GEMPA BUMI
## 35 1371 KOTA PADANG 108 GEMPA BUMI
## 36 1305 TANAH DATAR 111 LETUSAN GUNUNG API
## Lon Lat Jumlah.Bencana Meninggal.dan.Hilang Menderita Mengungsi
## 1 98.95060 -1.359494 4 0 0 0
## 2 100.81677 -1.717765 2 0 0 0
## 3 100.83788 -0.927534 3 1 3237 279
## 4 101.14920 -0.648475 5 1 6 0
## 5 100.58279 -0.469818 1 6 0 24
## 6 100.20985 -0.566716 6 0 50 73
## 7 100.15376 -0.253182 5 0 1469 0
## 8 100.55281 0.028057 5 1 130 515
## 9 100.04745 0.399888 5 1 7570 0
## 10 101.27358 -1.365012 1 0 75 0
## 11 101.51932 -1.250643 1 0 0 0
## 12 99.60774 0.187961 5 1 0 1050
## 13 100.42795 -0.936425 2 2 6062 12
## 14 100.83788 -0.927534 2 0 1070 0
## 15 100.36907 -0.299229 3 0 256 0
## 16 100.58279 -0.469818 1 0 0 0
## 17 100.20985 -0.566716 5 3 19 0
## 18 100.15376 -0.253182 2 0 0 0
## 19 100.55281 0.028057 2 1 0 0
## 20 100.42795 -0.936425 1 1 0 0
## 21 100.75663 -0.661471 1 0 0 22
## 22 100.36907 -0.299229 1 0 0 0
## 23 100.13628 -0.612028 1 3 0 0
## 24 100.20985 -0.566716 1 0 0 0
## 25 100.42795 -0.936425 1 0 140 0
## 26 100.20985 -0.566716 14 0 55 35
## 27 100.15376 -0.253182 1 1 0 0
## 28 100.55281 0.028057 4 0 15 0
## 29 101.27358 -1.365012 2 0 0 0
## 30 100.42795 -0.936425 2 0 0 0
## 31 100.83788 -0.927534 1 0 0 0
## 32 100.75663 -0.661471 1 0 0 0
## 33 100.83788 -0.927534 1 0 0 0
## 34 100.83788 -0.927534 1 1 0 54
## 35 100.42795 -0.936425 1 0 0 0
## 36 100.58279 -0.469818 2 0 0 0
## Rumah.Rusak.Berat Rumah.Rusak.Sedang Rumah.Rusak.Ringan Faskes.Rusak
## 1 0 0 0 0
## 2 0 0 0 0
## 3 2 4 14 0
## 4 26 1 30 0
## 5 11 0 0 0
## 6 3 0 17 0
## 7 1 2 2 0
## 8 2 0 0 0
## 9 69 0 0 0
## 10 0 0 0 0
## 11 0 0 0 0
## 12 2 0 0 0
## 13 4 0 0 0
## 14 0 0 0 0
## 15 0 0 0 0
## 16 0 1 0 0
## 17 9 8 2 0
## 18 0 0 7 0
## 19 0 0 1 0
## 20 0 0 0 0
## 21 4 0 12 0
## 22 0 0 0 0
## 23 1 0 0 0
## 24 0 0 0 0
## 25 0 28 0 0
## 26 5 10 13 0
## 27 0 1 0 0
## 28 3 0 2 0
## 29 0 1 2 0
## 30 2 5 9 0
## 31 0 0 1 0
## 32 0 0 1 0
## 33 0 0 0 0
## 34 19 5 63 0
## 35 6 0 19 0
## 36 0 0 0 0
## Rumah.Ibadah.Rusak Sekolah.Rusak
## 1 0 0
## 2 0 5
## 3 9 5
## 4 3 0
## 5 0 1
## 6 4 0
## 7 1 1
## 8 2 2
## 9 2 2
## 10 0 0
## 11 1 0
## 12 1 0
## 13 0 1
## 14 2 1
## 15 1 1
## 16 0 0
## 17 0 0
## 18 0 1
## 19 0 0
## 20 0 0
## 21 0 0
## 22 0 0
## 23 0 0
## 24 0 2
## 25 0 0
## 26 0 0
## 27 0 0
## 28 0 0
## 29 0 0
## 30 0 0
## 31 0 0
## 32 0 0
## 33 0 0
## 34 0 0
## 35 0 0
## 36 0 0# Membuat variabel baru
Rumah.Rusak <- data.frame(
Rumah.Rusak.Berat = c(0,0,2,26,11,3,1,2,69,0,0,2,4,0,0,0,9,0,0,0,4,0,1,0,0,5,0,3,0,2,0,0,0,19,6,0),
Rumah.Rusak.Sedang = c(0,0,4,1,0,0,2,0,0,0,0,0,0,0,0,1,8,0,0,0,0,0,0,0,28,10,1,0,1,5,0,0,0,5,0,0),
Rumah.Rusak.Ringan = c(0,0,14,30,0,17,2,0,0,0,0,0,0,0,0,0,2,7,1,0,12,0,0,0,0,13,0,2,2,9,1,1,0,63,19,0)
)
# Menghitung total rumah rusak
Rumah.Rusak$Total <- Rumah.Rusak$Rumah.Rusak.Berat + Rumah.Rusak$Rumah.Rusak.Sedang + Rumah.Rusak$Rumah.Rusak.Ringan
Rumah.Rusak## Rumah.Rusak.Berat Rumah.Rusak.Sedang Rumah.Rusak.Ringan Total
## 1 0 0 0 0
## 2 0 0 0 0
## 3 2 4 14 20
## 4 26 1 30 57
## 5 11 0 0 11
## 6 3 0 17 20
## 7 1 2 2 5
## 8 2 0 0 2
## 9 69 0 0 69
## 10 0 0 0 0
## 11 0 0 0 0
## 12 2 0 0 2
## 13 4 0 0 4
## 14 0 0 0 0
## 15 0 0 0 0
## 16 0 1 0 1
## 17 9 8 2 19
## 18 0 0 7 7
## 19 0 0 1 1
## 20 0 0 0 0
## 21 4 0 12 16
## 22 0 0 0 0
## 23 1 0 0 1
## 24 0 0 0 0
## 25 0 28 0 28
## 26 5 10 13 28
## 27 0 1 0 1
## 28 3 0 2 5
## 29 0 1 2 3
## 30 2 5 9 16
## 31 0 0 1 1
## 32 0 0 1 1
## 33 0 0 0 0
## 34 19 5 63 87
## 35 6 0 19 25
## 36 0 0 0 0# Menghapus kolom yang disebutkan
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018 <- Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018[, !(names(Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018) %in% c(
"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"))]
Data_Bencana_Provinsi_Sumatera_Barat_Tahun_2018## Nama_kab.kot Kejadian Jumlah.Bencana
## 1 KEPULAUAN MENTAWAI BANJIR 4
## 2 PESISIR SELATAN BANJIR 2
## 3 SOLOK BANJIR 3
## 4 SIJUNJUNG BANJIR 5
## 5 TANAH DATAR BANJIR 1
## 6 PADANG PARIAMAN BANJIR 6
## 7 AGAM BANJIR 5
## 8 LIMA PULUH KOTA BANJIR 5
## 9 PASAMAN BANJIR 5
## 10 SOLOK SELATAN BANJIR 1
## 11 DHARMASRAYA BANJIR 1
## 12 PASAMAN BARAT BANJIR 5
## 13 KOTA PADANG BANJIR 2
## 14 KOTA SOLOK BANJIR 2
## 15 KOTA BUKITTINGGI BANJIR 3
## 16 TANAH DATAR TANAH LONGSOR 1
## 17 PADANG PARIAMAN TANAH LONGSOR 5
## 18 AGAM TANAH LONGSOR 2
## 19 LIMA PULUH KOTA TANAH LONGSOR 2
## 20 KOTA PADANG TANAH LONGSOR 1
## 21 KOTA SAWAHLUNTO TANAH LONGSOR 1
## 22 KOTA BUKITTINGGI TANAH LONGSOR 1
## 23 KOTA PARIAMAN TANAH LONGSOR 1
## 24 PADANG PARIAMAN GELOMBANG PASANG / ABRASI 1
## 25 KOTA PADANG GELOMBANG PASANG / ABRASI 1
## 26 PADANG PARIAMAN PUTING BELIUNG 14
## 27 AGAM PUTING BELIUNG 1
## 28 LIMA PULUH KOTA PUTING BELIUNG 4
## 29 SOLOK SELATAN PUTING BELIUNG 2
## 30 KOTA PADANG PUTING BELIUNG 2
## 31 KOTA SOLOK PUTING BELIUNG 1
## 32 KOTA SAWAHLUNTO PUTING BELIUNG 1
## 33 SOLOK KEBAKARAN HUTAN DAN LAHAN 1
## 34 SOLOK GEMPA BUMI 1
## 35 KOTA PADANG GEMPA BUMI 1
## 36 TANAH DATAR LETUSAN GUNUNG API 2
## Meninggal.dan.Hilang
## 1 0
## 2 0
## 3 1
## 4 1
## 5 6
## 6 0
## 7 0
## 8 1
## 9 1
## 10 0
## 11 0
## 12 1
## 13 2
## 14 0
## 15 0
## 16 0
## 17 3
## 18 0
## 19 1
## 20 1
## 21 0
## 22 0
## 23 3
## 24 0
## 25 0
## 26 0
## 27 1
## 28 0
## 29 0
## 30 0
## 31 0
## 32 0
## 33 0
## 34 1
## 35 0
## 36 0# Import data berat badan mahasiswa
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_badan <- c(167,173,183,159,173,160,169,161,157,153)
Berat_badan <- c(57,62,67,46,57,53,55,44,50,43)
Data_mahasiswa <- data.frame(Nama, Usia, Tinggi_badan, Berat_badan)
Data_mahasiswa## Nama Usia Tinggi_badan Berat_badan
## 1 Josephine 17 167 57
## 2 Peter 20 173 62
## 3 Adam 19 183 67
## 4 Lusiana 22 159 46
## 5 Anthoni 20 173 57
## 6 Gabriela 21 160 53
## 7 Mario 20 169 55
## 8 Suzan 21 161 44
## 9 Laura 18 157 50
## 10 Evelyn 19 153 43# Menghitung tinggi badan dalam meter
Data_mahasiswa$Tinggi_m <- Data_mahasiswa$Tinggi_badan / 100
# Menghitung indeks massa tubuh (BMI)
Data_mahasiswa$BMI <- Data_mahasiswa$Berat_badan / (Data_mahasiswa$Tinggi_m^2)
# Menentukan kategori berat badan
Data_mahasiswa$Kategori <- ifelse(Data_mahasiswa$BMI < 18.5, "Underweight",
ifelse(Data_mahasiswa$BMI < 25, "Normal",
ifelse(Data_mahasiswa$BMI < 30, "Overweight", "Obesitas")))
# Menampilkan hasil
print(Data_mahasiswa)## Nama Usia Tinggi_badan Berat_badan Tinggi_m BMI Kategori
## 1 Josephine 17 167 57 1.67 20.43817 Normal
## 2 Peter 20 173 62 1.73 20.71569 Normal
## 3 Adam 19 183 67 1.83 20.00657 Normal
## 4 Lusiana 22 159 46 1.59 18.19548 Underweight
## 5 Anthoni 20 173 57 1.73 19.04507 Normal
## 6 Gabriela 21 160 53 1.60 20.70312 Normal
## 7 Mario 20 169 55 1.69 19.25703 Normal
## 8 Suzan 21 161 44 1.61 16.97465 Underweight
## 9 Laura 18 157 50 1.57 20.28480 Normal
## 10 Evelyn 19 153 43 1.53 18.36900 Underweight