PEMROGRAMAN SAINS DATA 1

SYNTAX & CONTROL FLOW

1. KONDISIONAL

A. Dataset

Dataset yang digunakan adalah sebagai berikut:

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

B. Pernyataan Kondisional untuk Bonus

Tentukan tingkat bonus berdasarkan kinerja karyawan:

  • Sangat Baik → 20% dari gaji
  • Baik → 10% dari gaji
  • Rata-rata → 5% dari gaji

Contoh Output

Output yang dihasilkan adalah sebagai berikut:

Name: Bagas, Bonus: 500.00
Name: Joan, Bonus: 1400.00
Name: Alya, Bonus: 325.00
Name: Dwi, Bonus: 1000.00
Name: Nabil, Bonus: 2400.00

C. Kode Penyelesaian

Kode berikut digunakan untuk menghitung bonus karyawan menggunakan R:

# Data karyawan: Membuat data frame dengan informasi karyawan  
karyawan <- data.frame(  
  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")  
)  

# Fungsi untuk menghitung bonus berdasarkan kinerja karyawan  
hitung_bonus <- function(karyawan) {  
  # Iterasi untuk setiap baris karyawan menggunakan loop for  
  for (i in 1:nrow(karyawan)) {  
    # Cek kinerja karyawan dan hitung bonus yang sesuai  
    if (karyawan$Pertunjukan[i] == "Sangat bagus") {  
      bonus <- 0.20 * karyawan$Gaji[i]  # 20% dari gaji  
    } else if (karyawan$Pertunjukan[i] == "Bagus") {  
      bonus <- 0.10 * karyawan$Gaji[i]  # 10% dari gaji  
    } else if (karyawan$Pertunjukan[i] == "Rata-rata") {  
      bonus <- 0.05 * karyawan$Gaji[i]  # 5% dari gaji  
    } else {  
      bonus <- 0  # Tidak ada bonus untuk kinerja lain  
    }  
    # Menampilkan nama karyawan dan jumlah bonus yang dihitung dengan format dua desimal  
    cat(sprintf("Name: %s, Bonus: %.2f\n", karyawan$Nama[i], bonus))  
  }  
}  

# Menjalankan fungsi untuk menghitung dan menampilkan bonus karyawan  
hitung_bonus(karyawan)  
## Name: Bagas, Bonus: 500.00
## Name: Joan, Bonus: 1400.00
## Name: Alya, Bonus: 325.00
## Name: Dwi, Bonus: 1000.00
## Name: Nabil, Bonus: 2400.00

2. PERULANGAN (For & While)

A. For Loop untuk Membuat Daftar Karyawan dengan Gaji Lebih dari 6000

# Data karyawan: Membuat data frame dengan informasi nama dan gaji  
karyawan <- data.frame(  
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  Gaji = c(5000, 7000, 6500, 10000, 12000)  
)  

# Menggunakan for loop untuk mencetak karyawan dengan gaji lebih dari 6000  
cat("Daftar Karyawan dengan Gaji Lebih dari 6000:\n")  
## Daftar Karyawan dengan Gaji Lebih dari 6000:
for (i in 1:nrow(karyawan)) {  
  # Cek apakah gaji karyawan lebih dari 6000  
  if (karyawan$Gaji[i] > 6000) {  
    # Menampilkan nama dan gaji karyawan yang memenuhi syarat  
    cat(sprintf("Name: %s, Salary: %d\n", karyawan$Nama[i], karyawan$Gaji[i]))  
  }  
}  
## Name: Joan, Salary: 7000
## Name: Alya, Salary: 6500
## Name: Dwi, Salary: 10000
## Name: Nabil, Salary: 12000

B. While Loop untuk Menampilkan Karyawan Hingga “Manajer” Ditemukan

# Data karyawan dengan posisi: Membuat data frame dengan informasi nama dan posisi  
karyawan_posisi <- data.frame(  
  Nama = c("Bagas", "Joan", "Alya", "Dwi"),  
  Posisi = c("Staff", "Supervisor", "Staff", "Manager")  
)  

# Menggunakan while loop untuk mencetak karyawan hingga posisi "Manager" ditemukan  
i <- 1  # Inisialisasi variabel untuk iterasi  
cat("Daftar Karyawan hingga Manajer Ditemukan:\n")  
## Daftar Karyawan hingga Manajer Ditemukan:
while (i <= nrow(karyawan_posisi)) {  
  # Menampilkan nama dan posisi karyawan  
  cat(sprintf("Name: %s, Position: %s\n", karyawan_posisi$Nama[i], karyawan_posisi$Posisi[i]))  
  
  # Jika posisi "Manager" ditemukan, hentikan loop  
  if (karyawan_posisi$Posisi[i] == "Manager") {  
    cat("(Stop here)\n")  # Pesan bahwa loop dihentikan  
    break  # Menghentikan loop ketika "Manager" ditemukan  
  }  
  i <- i + 1  # Melanjutkan ke karyawan berikutnya  
}  
## Name: Bagas, Position: Staff
## Name: Joan, Position: Supervisor
## Name: Alya, Position: Staff
## Name: Dwi, Position: Manager
## (Stop here)

C. Gunakan break untuk menghentikan loop ketika karyawan dengan gaji di atas 10.000 ditemukan

# Daftar karyawan dan gaji mereka: Membuat data frame dengan nama dan gaji  
employees <- data.frame(  
  name = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  salary = c(5000, 7000, 6500, 10000, 12000)  
)  

# Menggunakan break untuk menghentikan loop ketika gaji di atas 10.000 ditemukan  
for (i in 1:nrow(employees)) {  
  # Menampilkan nama dan gaji karyawan saat ini  
  cat("Name:", employees$name[i], ", Salary:", employees$salary[i], "\n")  
  
  # Jika gaji karyawan lebih dari 10.000, hentikan loop  
  if (employees$salary[i] > 10000) {  
    cat("(Stopped because Nabil has a salary above 10,000)\n")  # Pesan bahwa loop dihentikan karena gaji di atas 10.000  
    break  # Menghentikan loop ketika karyawan dengan gaji lebih dari 10.000 ditemukan  
  }  
}  
## Name: Bagas , Salary: 5000 
## Name: Joan , Salary: 7000 
## Name: Alya , Salary: 6500 
## Name: Dwi , Salary: 10000 
## Name: Nabil , Salary: 12000 
## (Stopped because Nabil has a salary above 10,000)

D. Gunakan continue untuk melewati karyawan dengan kinerja “Rata-rata”

# Daftar karyawan dan performa mereka: Membuat data frame dengan nama dan performa  
performance_employees <- data.frame(  
  name = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  performance = c("Good", "Very Good", "Average", "Good", "Very Good")  
)  

# Menggunakan continue untuk melewati karyawan dengan kinerja "Rata-rata"  
for (i in 1:nrow(performance_employees)) {  
  # Cek apakah kinerja karyawan adalah "Rata-rata"  
  if (performance_employees$performance[i] == "Average") {  
    next  # Melewati iterasi saat ini dan melanjutkan ke iterasi berikutnya  
  }  
  # Menampilkan nama dan performa karyawan yang kinerjanya tidak "Rata-rata"  
  cat("Name:", performance_employees$name[i], ", Performance:", performance_employees$performance[i], "\n")  
}  
## Name: Bagas , Performance: Good 
## Name: Joan , Performance: Very Good 
## Name: Dwi , Performance: Good 
## Name: Nabil , Performance: Very Good

NB :

- Kenapa Alya tidak ada ?

Alya tidak muncul dalam output kode R karena memiliki kinerja “Average”, dan perintah next digunakan untuk melewati iterasi tersebut. Akibatnya, kode untuk menampilkan nama dan performa tidak dieksekusi untuk Alya

---
title: "PEMROGRAMAN SAINS DATA 1"
subtitle: "SYNTAX & CONTROL FLOW"
author: "Dadan Ramdan Hidayat (52240028)"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"
---

<img src="statistika.jpg" width="900" style="display: block; margin: auto;" alt="">

# 1. KONDISIONAL

## A. Dataset  

Dataset yang digunakan adalah sebagai berikut:  

| 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  |  

## B. Pernyataan Kondisional untuk Bonus  

Tentukan tingkat bonus berdasarkan kinerja karyawan:  

- **Sangat Baik** → 20% dari gaji  
- **Baik** → 10% dari gaji  
- **Rata-rata** → 5% dari gaji  

### Contoh Output  
Output yang dihasilkan adalah sebagai berikut:  

Name: Bagas, Bonus: 500.00  
Name: Joan, Bonus: 1400.00  
Name: Alya, Bonus: 325.00  
Name: Dwi, Bonus: 1000.00  
Name: Nabil, Bonus: 2400.00  

## C. Kode Penyelesaian  

Kode berikut digunakan untuk menghitung bonus karyawan menggunakan R:  

```{r, massage=FALSE, echo=TRUE, warning=FALSE}  
# Data karyawan: Membuat data frame dengan informasi karyawan  
karyawan <- data.frame(  
  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")  
)  

# Fungsi untuk menghitung bonus berdasarkan kinerja karyawan  
hitung_bonus <- function(karyawan) {  
  # Iterasi untuk setiap baris karyawan menggunakan loop for  
  for (i in 1:nrow(karyawan)) {  
    # Cek kinerja karyawan dan hitung bonus yang sesuai  
    if (karyawan$Pertunjukan[i] == "Sangat bagus") {  
      bonus <- 0.20 * karyawan$Gaji[i]  # 20% dari gaji  
    } else if (karyawan$Pertunjukan[i] == "Bagus") {  
      bonus <- 0.10 * karyawan$Gaji[i]  # 10% dari gaji  
    } else if (karyawan$Pertunjukan[i] == "Rata-rata") {  
      bonus <- 0.05 * karyawan$Gaji[i]  # 5% dari gaji  
    } else {  
      bonus <- 0  # Tidak ada bonus untuk kinerja lain  
    }  
    # Menampilkan nama karyawan dan jumlah bonus yang dihitung dengan format dua desimal  
    cat(sprintf("Name: %s, Bonus: %.2f\n", karyawan$Nama[i], bonus))  
  }  
}  

# Menjalankan fungsi untuk menghitung dan menampilkan bonus karyawan  
hitung_bonus(karyawan)  
```
# 2. PERULANGAN (For & While)

## A. For Loop untuk Membuat Daftar Karyawan dengan Gaji Lebih dari 6000

```{r, massage=FALSE, echo=TRUE, warning=FALSE}  
# Data karyawan: Membuat data frame dengan informasi nama dan gaji  
karyawan <- data.frame(  
  Nama = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  Gaji = c(5000, 7000, 6500, 10000, 12000)  
)  

# Menggunakan for loop untuk mencetak karyawan dengan gaji lebih dari 6000  
cat("Daftar Karyawan dengan Gaji Lebih dari 6000:\n")  
for (i in 1:nrow(karyawan)) {  
  # Cek apakah gaji karyawan lebih dari 6000  
  if (karyawan$Gaji[i] > 6000) {  
    # Menampilkan nama dan gaji karyawan yang memenuhi syarat  
    cat(sprintf("Name: %s, Salary: %d\n", karyawan$Nama[i], karyawan$Gaji[i]))  
  }  
}  
```
## B. While Loop untuk Menampilkan Karyawan Hingga "Manajer" Ditemukan

```{r, massage=FALSE, echo=TRUE, warning=FALSE}  
# Data karyawan dengan posisi: Membuat data frame dengan informasi nama dan posisi  
karyawan_posisi <- data.frame(  
  Nama = c("Bagas", "Joan", "Alya", "Dwi"),  
  Posisi = c("Staff", "Supervisor", "Staff", "Manager")  
)  

# Menggunakan while loop untuk mencetak karyawan hingga posisi "Manager" ditemukan  
i <- 1  # Inisialisasi variabel untuk iterasi  
cat("Daftar Karyawan hingga Manajer Ditemukan:\n")  
while (i <= nrow(karyawan_posisi)) {  
  # Menampilkan nama dan posisi karyawan  
  cat(sprintf("Name: %s, Position: %s\n", karyawan_posisi$Nama[i], karyawan_posisi$Posisi[i]))  
  
  # Jika posisi "Manager" ditemukan, hentikan loop  
  if (karyawan_posisi$Posisi[i] == "Manager") {  
    cat("(Stop here)\n")  # Pesan bahwa loop dihentikan  
    break  # Menghentikan loop ketika "Manager" ditemukan  
  }  
  i <- i + 1  # Melanjutkan ke karyawan berikutnya  
}  
```
## C. Gunakan break untuk menghentikan loop ketika karyawan dengan gaji di atas 10.000 ditemukan
```{r, massage=FALSE, echo=TRUE, warning=FALSE}  
# Daftar karyawan dan gaji mereka: Membuat data frame dengan nama dan gaji  
employees <- data.frame(  
  name = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  salary = c(5000, 7000, 6500, 10000, 12000)  
)  

# Menggunakan break untuk menghentikan loop ketika gaji di atas 10.000 ditemukan  
for (i in 1:nrow(employees)) {  
  # Menampilkan nama dan gaji karyawan saat ini  
  cat("Name:", employees$name[i], ", Salary:", employees$salary[i], "\n")  
  
  # Jika gaji karyawan lebih dari 10.000, hentikan loop  
  if (employees$salary[i] > 10000) {  
    cat("(Stopped because Nabil has a salary above 10,000)\n")  # Pesan bahwa loop dihentikan karena gaji di atas 10.000  
    break  # Menghentikan loop ketika karyawan dengan gaji lebih dari 10.000 ditemukan  
  }  
}  
```
## D. Gunakan continue untuk melewati karyawan dengan kinerja “Rata-rata”
```{r, massage=FALSE, echo=TRUE, warning=FALSE}  
# Daftar karyawan dan performa mereka: Membuat data frame dengan nama dan performa  
performance_employees <- data.frame(  
  name = c("Bagas", "Joan", "Alya", "Dwi", "Nabil"),  
  performance = c("Good", "Very Good", "Average", "Good", "Very Good")  
)  

# Menggunakan continue untuk melewati karyawan dengan kinerja "Rata-rata"  
for (i in 1:nrow(performance_employees)) {  
  # Cek apakah kinerja karyawan adalah "Rata-rata"  
  if (performance_employees$performance[i] == "Average") {  
    next  # Melewati iterasi saat ini dan melanjutkan ke iterasi berikutnya  
  }  
  # Menampilkan nama dan performa karyawan yang kinerjanya tidak "Rata-rata"  
  cat("Name:", performance_employees$name[i], ", Performance:", performance_employees$performance[i], "\n")  
}  
```
**NB :**

**- Kenapa Alya tidak ada ?**

**Alya tidak muncul dalam output kode R karena memiliki kinerja "Average", dan perintah next digunakan untuk melewati iterasi tersebut. Akibatnya, kode untuk menampilkan nama dan performa tidak dieksekusi untuk Alya** 

