Task Week 2 Programming Science Data

Profile

2.5 Praktikum

2.5.1 Tujuan

  1. Memahami dan menerapkan pernyataan kondisional (if, if-else, if-elif-else).
  2. Terapkan loop (for loop, while loop, break, continue) untuk menganalisis himpunan data.
Gunakan dataset dummy berikut ini:
PENGENAL Nama Usia Gaji Posisi Pertunjukan
1 Bagas 25 5000 Staf Bagus
2 Joan 30 7000 Pengawas Sangat bagus
3 Alya 27 6500 Staf Rata-rata
4 Dwi 35 10000 Manajer Bagus
5 Nabil 40 12000 Direktur Sangat bagus

2.5.2 Pernyataan Kondisional

Tentukan tingkat bonus berdasarkan kinerja karyawan:

  • Sangat Baik -> \(20\)% dari gaji
  • Baik -> \(10\)% dari gaji
  • Rata-rata -> \(5\)% dari gaji

Tugas:

  • Tulis program dalam Python dan R untuk menghitung bonus setiap karyawan.
  • Menampilkan output dalam format ini: “Name: Bagas, Bonus: 500”
# Dataset Dummy
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")
)

# Fungsi untuk menghitung bonus
hitung_bonus <- function(gaji, pertunjukan) {
  if (pertunjukan == "Sangat bagus") {
    return(gaji * 0.2)
  } else if (pertunjukan == "Bagus") {
    return(gaji * 0.1)
  } else if (pertunjukan == "Rata-rata") {
    return(gaji * 0.05)
  } else {
    return(0)
  }
}

# Menampilkan hasil
for (i in 1:nrow(data)) {
  bonus <- hitung_bonus(data$Gaji[i], data$Pertunjukan[i])
  cat(sprintf("Name: %s, Bonus: %d\n", data$Nama[i], as.integer(bonus)))
}
## Name: Bagas, Bonus: 500
## Name: Joan, Bonus: 1400
## Name: Alya, Bonus: 325
## Name: Dwi, Bonus: 1000
## Name: Nabil, Bonus: 2400

2.5.3 Perulangan (For & While)

  1. Gunakan for loop untuk membuat daftar karyawan dengan gaji lebih dari \(6000\).

Hasil yang Diharapkan:

Name: Joan, Salary: \(7000\) Name: Alya, Salary: \(6500\) Name: Dwi, Salary: \(10000\) Name: Nabil, Salary: \(12000\)

  1. Gunakan while loop untuk menampilkan karyawan hingga “Manajer” ditemukan.

Hasil yang Diharapkan:

Name: Bagas, Position: Staff Name: Joan, Position: Supervisor Name: Alya, Position: Staff Name: Dwi, Position: Manager (Stop here)

  1. Gunakan break untuk menghentikan loop ketika karyawan dengan gaji di atas \(10.000\) ditemukan.

Hasil yang Diharapkan:

Name: Bagas, Salary: \(5000\) Name: Joan, Salary: \(7000\) Name: Alya, Salary: \(6500\) Name: Dwi, Salary: \(10000\) (Stopped because Nabil has a salary abohe 10.000)

  1. Gunakan lanjutkan untuk melewati karyawan dengan kinerja “Rata-rata”.

Hasil yang Diharapkan:

Name: Bagas, Performance: Good Name: Joan, Performance: Very Good Name: Dwi, Performance: Good Name: Nabil, Performance: Very Good (Alya is skipped because the performance is “Average”)

Pedoman Pengajuan:

  1. Kirimkan kode Python dan R Anda menggunakan Google colab dan Rpubs.
  2. Pastikan output ditampilkan dengan benar.
  3. Tambahkan komentar dalam kode untuk menjelaskan logika anda.

Data Dummy

# Membuat dataset dummy menggunakan data frame
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Posisi = c("Staf", "Pengawas", "Staf", "Manajer", "Direktur"),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")

)

1. For Loop

Karyawan dengan gaji lebih dari \(6000\)

# Membuat dataset dummy dengan kolom Nama, Gaji, Posisi, dan Pertunjukan
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Posisi = c("Staf", "Pengawas", "Staf", "Manajer", "Direktur"),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")
)

# Loop untuk mencetak karyawan dengan gaji lebih dari 6000
cat("1. Daftar karyawan dengan gaji lebih dari 6000:\n")
## 1. Daftar karyawan dengan gaji lebih dari 6000:
for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dalam dataset
  if (data$Gaji[i] > 6000) {  # Mengecek apakah gaji lebih dari 6000
    cat(sprintf("Name: %s, Salary: $%d\n", data$Nama[i], data$Gaji[i]))  # Menampilkan output
  }
}
## Name: Joan, Salary: $7000
## Name: Alya, Salary: $6500
## Name: Dwi, Salary: $10000
## Name: Nabil, Salary: $12000

2. While Loop

Menampilkan karyawan hingga “Manajer” ditemukan

# Loop while untuk menampilkan karyawan sampai posisi "Manajer" ditemukan
cat("2. Menampilkan karyawan hingga 'Manajer' ditemukan:\n")
## 2. Menampilkan karyawan hingga 'Manajer' ditemukan:
i <- 1  # Inisialisasi variabel indeks
while (i <= nrow(data)) {  # Loop akan berjalan selama i masih dalam rentang jumlah baris dataset
  cat(sprintf("Name: %s, Position: %s\n", data$Nama[i], data$Posisi[i]))  # Menampilkan nama dan posisi
  
  if (data$Posisi[i] == "Manajer") {  # Jika posisi adalah "Manajer", hentikan loop
    cat("(Stop here)\n")  # Menampilkan pesan pemberhentian
    break  # Menghentikan perulangan
  }
  i <- i + 1  # Menambah indeks untuk iterasi berikutnya
}
## Name: Bagas, Position: Staf
## Name: Joan, Position: Pengawas
## Name: Alya, Position: Staf
## Name: Dwi, Position: Manajer
## (Stop here)

3. Break

Hentikan saat gaji di atas \(10.000\) ditemukan

# Loop dengan break untuk menghentikan saat gaji lebih dari 10.000 ditemukan
cat("3. Hentikan loop saat gaji di atas 10.000 ditemukan:\n")
## 3. Hentikan loop saat gaji di atas 10.000 ditemukan:
for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dataset
  if (data$Gaji[i] > 10000) {  # Mengecek apakah gaji lebih dari 10.000
    cat(sprintf("(Stopped because %s has a salary above 10,000)\n", data$Nama[i]))  # Menampilkan alasan berhenti
    break  # Menghentikan perulangan
  }
  cat(sprintf("Name: %s, Salary: $%d\n", data$Nama[i], data$Gaji[i]))  # Menampilkan nama dan gaji
}
## Name: Bagas, Salary: $5000
## Name: Joan, Salary: $7000
## Name: Alya, Salary: $6500
## Name: Dwi, Salary: $10000
## (Stopped because Nabil has a salary above 10,000)

4. Continue

Lewati karyawan dengan kinerja “Rata-rata”

# Loop dengan continue untuk melewati karyawan dengan kinerja "Rata-rata"
cat("4. Lewati karyawan dengan kinerja 'Rata-rata':\n")
## 4. Lewati karyawan dengan kinerja 'Rata-rata':
for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dataset
  if (data$Pertunjukan[i] == "Rata-rata") {  # Jika kinerja adalah "Rata-rata"
    next  # Melewati iterasi ini dan lanjut ke iterasi berikutnya
  }
  cat(sprintf("Name: %s, Performance: %s\n", data$Nama[i], data$Pertunjukan[i]))  # Menampilkan nama dan kinerja
}
## Name: Bagas, Performance: Bagus
## Name: Joan, Performance: Sangat bagus
## Name: Dwi, Performance: Bagus
## Name: Nabil, Performance: Sangat bagus
---
title: "Task Week 2 Programming Science Data"

author: 
    - "Nabila Anggita Putri"
    
date: "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style/style.css.css"
---
<img src="img/profile.jpg" alt="Profile" id="logo-utama" style="width:300px; display: block; margin: auto;"/>

# **2.5 Praktikum**

## **2.5.1 Tujuan**

1. Memahami dan menerapkan **pernyataan kondisional** (if, if-else, if-elif-else).
2. Terapkan **loop** (for loop, while loop, break, continue) untuk menganalisis himpunan data.

Gunakan **dataset dummy** berikut ini:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
# Install dan panggil library jika belum ada
if (!require("kableExtra")) install.packages("kableExtra", dependencies = TRUE)
library(kableExtra)

# Membuat data frame
data <- data.frame(
  PENGENAL = c(1, 2, 3, 4, 5),
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Usia = c(25, 30, 27, 35, 40),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Posisi = c("Staf", "Pengawas", "Staf", "Manajer", "Direktur"),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")
)

# Membuat tabel tanpa caption
data %>%
  kbl(align = "c") %>%  # Hapus caption
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = F) %>%
  row_spec(0, bold = TRUE, background = "#4CAF50", color = "white") %>%  # Header warna hijau
  row_spec(1:5, background = c("#f9f9f9", "#ffffff", "#f9f9f9", "#ffffff", "#f9f9f9")) %>%  # Warna baris selang-seling
  column_spec(4, background = "#e0f7fa") %>%  # Kolom Gaji dengan warna biru muda
  column_spec(6, background = "#ffe0b2")     # Kolom Pertunjukan dengan warna oranye muda
```

## **2.5.2 Pernyataan Kondisional**

Tentukan **tingkat bonus** berdasarkan **kinerja** karyawan:

- **Sangat Baik** -> $20$% dari gaji
- **Baik** -> $10$% dari gaji
- **Rata-rata** -> $5$% dari gaji

**Tugas**:

- Tulis program dalam **Python dan R** untuk menghitung bonus setiap karyawan.
- Menampilkan **output** dalam format ini: 
**"Name: Bagas, Bonus: 500"**
```{r echo=TRUE}
# Dataset Dummy
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")
)

# Fungsi untuk menghitung bonus
hitung_bonus <- function(gaji, pertunjukan) {
  if (pertunjukan == "Sangat bagus") {
    return(gaji * 0.2)
  } else if (pertunjukan == "Bagus") {
    return(gaji * 0.1)
  } else if (pertunjukan == "Rata-rata") {
    return(gaji * 0.05)
  } else {
    return(0)
  }
}

# Menampilkan hasil
for (i in 1:nrow(data)) {
  bonus <- hitung_bonus(data$Gaji[i], data$Pertunjukan[i])
  cat(sprintf("Name: %s, Bonus: %d\n", data$Nama[i], as.integer(bonus)))
}
```

## **2.5.3 Perulangan (For & While)**

1. Gunakan **for loop** untuk membuat daftar karyawan dengan gaji lebih dari **$6000$**.

**Hasil yang Diharapkan**:

Name: Joan, Salary: $7000$
Name: Alya, Salary: $6500$
Name: Dwi, Salary: $10000$
Name: Nabil, Salary: $12000$

2. Gunakan **while loop** untuk menampilkan karyawan hingga **"Manajer"** ditemukan.

**Hasil yang Diharapkan**:

Name: Bagas, Position: Staff
Name: Joan, Position: Supervisor
Name: Alya, Position: Staff
Name: Dwi, Position: Manager (Stop here)

3. Gunakan **break** untuk menghentikan loop ketika karyawan dengan gaji di atas **$10.000$** ditemukan.

**Hasil yang Diharapkan**:

Name: Bagas, Salary: $5000$
Name: Joan, Salary: $7000$
Name: Alya, Salary: $6500$
Name: Dwi, Salary: $10000$
(Stopped because Nabil has a salary abohe 10.000)

4. Gunakan **lanjutkan** untuk **melewati** karyawan dengan kinerja **"Rata-rata"**.

**Hasil yang Diharapkan**:

Name: Bagas, Performance: Good
Name: Joan, Performance: Very Good
Name: Dwi, Performance: Good
Name: Nabil, Performance: Very Good
(Alya is skipped because the performance is "Average")

**Pedoman Pengajuan**:

1. Kirimkan kode **Python dan R** Anda menggunakan **Google colab** dan **Rpubs**.
2. Pastikan output ditampilkan dengan benar.
3. Tambahkan komentar dalam kode untuk menjelaskan logika anda.

# **Data Dummy**
```{r echo=TRUE}
# Membuat dataset dummy menggunakan data frame
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Posisi = c("Staf", "Pengawas", "Staf", "Manajer", "Direktur"),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")

)
```

## **1. For Loop**

Karyawan dengan gaji lebih dari **$6000$**
```{r echo=TRUE}
# Membuat dataset dummy dengan kolom Nama, Gaji, Posisi, dan Pertunjukan
data <- data.frame(
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),
  Gaji = c(5000, 7000, 6500, 10000, 12000),
  Posisi = c("Staf", "Pengawas", "Staf", "Manajer", "Direktur"),
  Pertunjukan = c("Bagus", "Sangat bagus", "Rata-rata", "Bagus", "Sangat bagus")
)

# Loop untuk mencetak karyawan dengan gaji lebih dari 6000
cat("1. Daftar karyawan dengan gaji lebih dari 6000:\n")

for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dalam dataset
  if (data$Gaji[i] > 6000) {  # Mengecek apakah gaji lebih dari 6000
    cat(sprintf("Name: %s, Salary: $%d\n", data$Nama[i], data$Gaji[i]))  # Menampilkan output
  }
}
```

## **2. While Loop**

Menampilkan karyawan hingga **"Manajer"** ditemukan
```{r echo=TRUE}
# Loop while untuk menampilkan karyawan sampai posisi "Manajer" ditemukan
cat("2. Menampilkan karyawan hingga 'Manajer' ditemukan:\n")

i <- 1  # Inisialisasi variabel indeks
while (i <= nrow(data)) {  # Loop akan berjalan selama i masih dalam rentang jumlah baris dataset
  cat(sprintf("Name: %s, Position: %s\n", data$Nama[i], data$Posisi[i]))  # Menampilkan nama dan posisi
  
  if (data$Posisi[i] == "Manajer") {  # Jika posisi adalah "Manajer", hentikan loop
    cat("(Stop here)\n")  # Menampilkan pesan pemberhentian
    break  # Menghentikan perulangan
  }
  i <- i + 1  # Menambah indeks untuk iterasi berikutnya
}
```

## **3. Break**

Hentikan saat gaji di atas **$10.000$** ditemukan
```{r echo=TRUE}
# Loop dengan break untuk menghentikan saat gaji lebih dari 10.000 ditemukan
cat("3. Hentikan loop saat gaji di atas 10.000 ditemukan:\n")

for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dataset
  if (data$Gaji[i] > 10000) {  # Mengecek apakah gaji lebih dari 10.000
    cat(sprintf("(Stopped because %s has a salary above 10,000)\n", data$Nama[i]))  # Menampilkan alasan berhenti
    break  # Menghentikan perulangan
  }
  cat(sprintf("Name: %s, Salary: $%d\n", data$Nama[i], data$Gaji[i]))  # Menampilkan nama dan gaji
}
```

## **4. Continue**

Lewati karyawan dengan kinerja **"Rata-rata"**
```{r echo=TRUE}
# Loop dengan continue untuk melewati karyawan dengan kinerja "Rata-rata"
cat("4. Lewati karyawan dengan kinerja 'Rata-rata':\n")

for (i in 1:nrow(data)) {  # Iterasi melalui setiap baris dataset
  if (data$Pertunjukan[i] == "Rata-rata") {  # Jika kinerja adalah "Rata-rata"
    next  # Melewati iterasi ini dan lanjut ke iterasi berikutnya
  }
  cat(sprintf("Name: %s, Performance: %s\n", data$Nama[i], data$Pertunjukan[i]))  # Menampilkan nama dan kinerja
}
```