Tugas 2 PSD B
Najma
2025-03-27
library(tidyverse)
library(scales)
library(fivethirtyeight)
library(knitr)
data("college_recent_grads")R Markdown
This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.
When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
# Menampilkan struktur dataset
glimpse(college_recent_grads)## Rows: 173
## Columns: 21
## $ rank <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,…
## $ major_code <int> 2419, 2416, 2415, 2417, 2405, 2418, 6202, …
## $ major <chr> "Petroleum Engineering", "Mining And Miner…
## $ major_category <chr> "Engineering", "Engineering", "Engineering…
## $ total <int> 2339, 756, 856, 1258, 32260, 2573, 3777, 1…
## $ sample_size <int> 36, 7, 3, 16, 289, 17, 51, 10, 1029, 631, …
## $ men <int> 2057, 679, 725, 1123, 21239, 2200, 2110, 8…
## $ women <int> 282, 77, 131, 135, 11021, 373, 1667, 960, …
## $ sharewomen <dbl> 0.1205643, 0.1018519, 0.1530374, 0.1073132…
## $ employed <int> 1976, 640, 648, 758, 25694, 1857, 2912, 15…
## $ employed_fulltime <int> 1849, 556, 558, 1069, 23170, 2038, 2924, 1…
## $ employed_parttime <int> 270, 170, 133, 150, 5180, 264, 296, 553, 1…
## $ employed_fulltime_yearround <int> 1207, 388, 340, 692, 16697, 1449, 2482, 82…
## $ unemployed <int> 37, 85, 16, 40, 1672, 400, 308, 33, 4650, …
## $ unemployment_rate <dbl> 0.018380527, 0.117241379, 0.024096386, 0.0…
## $ p25th <dbl> 95000, 55000, 50000, 43000, 50000, 50000, …
## $ median <dbl> 110000, 75000, 73000, 70000, 65000, 65000,…
## $ p75th <dbl> 125000, 90000, 105000, 80000, 75000, 10200…
## $ college_jobs <int> 1534, 350, 456, 529, 18314, 1142, 1768, 97…
## $ non_college_jobs <int> 364, 257, 176, 102, 4440, 657, 314, 500, 1…
## $ low_wage_jobs <int> 193, 50, 0, 0, 972, 244, 259, 220, 3253, 3…# Melihat beberapa baris pertama
head(college_recent_grads)## # A tibble: 6 × 21
## rank major_code major major_category total sample_size men women sharewomen
## <int> <int> <chr> <chr> <int> <int> <int> <int> <dbl>
## 1 1 2419 Petr… Engineering 2339 36 2057 282 0.121
## 2 2 2416 Mini… Engineering 756 7 679 77 0.102
## 3 3 2415 Meta… Engineering 856 3 725 131 0.153
## 4 4 2417 Nava… Engineering 1258 16 1123 135 0.107
## 5 5 2405 Chem… Engineering 32260 289 21239 11021 0.342
## 6 6 2418 Nucl… Engineering 2573 17 2200 373 0.145
## # ℹ 12 more variables: employed <int>, employed_fulltime <int>,
## # employed_parttime <int>, employed_fulltime_yearround <int>,
## # unemployed <int>, unemployment_rate <dbl>, p25th <dbl>, median <dbl>,
## # p75th <dbl>, college_jobs <int>, non_college_jobs <int>,
## # low_wage_jobs <int>Including Plots
You can also embed plots, for example:
# Menambahkan kategori STEM dan Non-STEM
college_recent_grads <- college_recent_grads %>%
mutate(stem = ifelse(major_category %in% c("Engineering", "Physical Sciences",
"Biology & Life Science", "Math & Computer Science"),
"STEM", "Non-STEM"))
# Plot gaji berdasarkan kategori
ggplot(college_recent_grads, aes(x = stem, y = median, fill = stem)) +
geom_boxplot() +
scale_y_continuous(labels = scales::dollar_format()) +
labs(title = "Perbandingan Median Salary: STEM vs. Non-STEM",
x = "Kategori Jurusan", y = "Median Salary") +
theme_minimal()
## Exercise 1
Ada tiga jenis pendapatan yang dilaporkan dalam data frame ini: p25th, median, dan p75th. Ketiganya masing-masing merujuk pada persentil ke-25, ke-50, dan ke-75 dari distribusi pendapatan individu yang diambil sampelnya untuk suatu jurusan tertentu. Mengapa kita sering memilih median daripada mean untuk menggambarkan pendapatan tipikal suatu kelompok?
->> Nilai median lebih mewakili distribusi yang tidak simetris, dan lebih mudah dipahami. Pendapatan ini sering kali memiliki beberapa individu dengan angka yang sangat tinggi, yang bisa menaikkan rata-rata secara tidak realistis, sementara median tetap stabil karena hanya melihat nilai tengah. Selain itu, distribusi pendapatan biasanya condong ke kanan, dengan sebagian besar orang berpenghasilan lebih rendah dari rata-rata atau mean, sehingga median lebih mencerminkan kenyataan. Selain itu, median juga lebih mudah dipahami karena membagi kelompok menjadi dua bagian yang sama besar—setengah berpenghasilan lebih rendah dan setengahnya lebih tinggi. Median juga lebih akurat dalam mewakili pendapatan kebanyakan orang. Contoh visualisasinya:
# Load library yang dibutuhkan
library(tidyverse)
library(fivethirtyeight)
# Load dataset
data("college_recent_grads", package = "fivethirtyeight")
# Hitung mean dan median pendapatan
summary_stats <- college_recent_grads %>%
summarise(
mean_income = mean(median, na.rm = TRUE), # Menggunakan median (huruf kecil)
median_income = median(median, na.rm = TRUE)
)
# Tampilkan hasil
print(summary_stats)## # A tibble: 1 × 2
## mean_income median_income
## <dbl> <dbl>
## 1 40151. 36000# Plot histogram dengan nama kolom yang benar
ggplot(college_recent_grads, aes(x = median)) + # Gunakan nama kolom yang benar
geom_histogram(binwidth = 5000, fill = "blue", alpha = 0.6) +
geom_vline(aes(xintercept = mean(median, na.rm = TRUE)),
color = "red", linetype = "dashed", size = 1.2) +
geom_vline(aes(xintercept = median(median, na.rm = TRUE)),
color = "green", linetype = "dashed", size = 1.2) +
labs(title = "Distribusi Median Pendapatan Lulusan",
x = "Pendapatan Median ($)", y = "Jumlah Jurusan") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Exercise 2
Buat ulang visualisasi berikut. Catatan: Lebar bin yang digunakan adalah $5.000. Perhatikan dengan cermat teks dan label pada sumbu.
Hint: The label_dollar() function can be helpful for the x-axis.
Hint: Wondering how to restrict to full-time, year-round workers? Have a look at the data dictionary by typing ?college_recent_grads into the console. It’s probably easier than you think!
# Load library
library(tidyverse)
library(fivethirtyeight)
library(scales)
# Load dataset
data("college_recent_grads", package = "fivethirtyeight")
# Cek apakah nama kolom benar
colnames(college_recent_grads) # Periksa dulu## [1] "rank" "major_code"
## [3] "major" "major_category"
## [5] "total" "sample_size"
## [7] "men" "women"
## [9] "sharewomen" "employed"
## [11] "employed_fulltime" "employed_parttime"
## [13] "employed_fulltime_yearround" "unemployed"
## [15] "unemployment_rate" "p25th"
## [17] "median" "p75th"
## [19] "college_jobs" "non_college_jobs"
## [21] "low_wage_jobs"# Gunakan nama kolom yang benar (coba 'major_category' jika 'Major_category' tidak ada)
stem_majors <- college_recent_grads %>%
filter(major_category %in% c("Biology & Life Science",
"Computers & Mathematics",
"Engineering",
"Physical Sciences"))
# Plot histogram
ggplot(stem_majors, aes(x = median, fill = major_category)) +
geom_histogram(binwidth = 5000, alpha = 0.7) +
scale_x_continuous(labels = label_dollar()) +
facet_wrap(~ major_category, scales = "free_y") +
labs(
title = "Median earnings of full-time, year-round workers",
subtitle = "For STEM majors",
x = "Median earnings",
y = "Frequency"
) +
theme_minimal() +
theme(legend.position = "none")
## Exercise 3
Buat ulang visualisasi dari latihan sebelumnya, kali ini dengan lebar bin sebesar $1.000. Mana yang lebih baik antara $1.000 atau $5.000 sebagai pilihan lebar bin? Jelaskan alasan Anda dalam satu kalimat.
->> Lebar bin $1.000 memberikan detail yang lebih halus tentang distribusi pendapatan, tetapi bisa terlihat terlalu bervariasi, sedangkan lebar bin $5.000 mengelompokkan lebih banyak data dalam satu bin, mengurangi noise dan lebih mudah dibaca, terutama jika dataset tidak terlalu besar.
Kesimpulan: Lebar bin $5.000 lebih baik karena memberikan tampilan yang lebih ringkas dan mudah dianalisis tanpa kehilangan tren utama dalam distribusi pendapatan.
# Load library
library(tidyverse)
library(fivethirtyeight)
library(scales)
# Load dataset
data("college_recent_grads", package = "fivethirtyeight")
# Filter hanya untuk STEM majors
stem_majors <- college_recent_grads %>%
filter(major_category %in% c("Biology & Life Science",
"Computers & Mathematics",
"Engineering",
"Physical Sciences"))
# Plot histogram dengan binwidth 1000
ggplot(stem_majors, aes(x = median, fill = major_category)) +
geom_histogram(binwidth = 1000, alpha = 0.7) +
scale_x_continuous(labels = label_dollar()) +
facet_wrap(~ major_category, scales = "free_y") +
labs(
title = "Median earnings of full-time, year-round workers",
subtitle = "For STEM majors (Binwidth: $1,000)",
x = "Median earnings",
y = "Frequency"
) +
theme_minimal() +
theme(legend.position = "none")
Exercise 4
Jurusan STEM mana (yaitu, jurusan dalam kategori “Biology & Life Science”, “Computers & Mathematics”, “Engineering”, dan “Physical Sciences”) yang memiliki gaji median yang sama dengan atau lebih rendah dari median untuk seluruh jurusan (semua jurusan, bukan hanya yang termasuk dalam kategori STEM)? Output Anda hanya boleh menampilkan nama jurusan serta pendapatan median, persentil ke-25, dan persentil ke-75 untuk jurusan tersebut, dan harus diurutkan sehingga jurusan dengan pendapatan median tertinggi berada di bagian atas.
# Load library
library(tidyverse)
library(fivethirtyeight)
# Load dataset
data("college_recent_grads", package = "fivethirtyeight")
# Filter jurusan STEM
stem_majors <- college_recent_grads %>%
filter(major_category %in% c("Biology & Life Science",
"Computers & Mathematics",
"Engineering",
"Physical Sciences"))
# Cari nilai median dari seluruh jurusan (bukan hanya STEM)
overall_median <- median(college_recent_grads$median, na.rm = TRUE)
# Filter jurusan STEM yang memiliki median salary ≤ overall median
filtered_stem <- stem_majors %>%
filter(median <= overall_median) %>%
select(major, median, p25th, p75th) %>%
arrange(desc(median)) # Urutkan berdasarkan median salary tertinggi
# Tampilkan hasil
print(filtered_stem)## # A tibble: 11 × 4
## major median p25th p75th
## <chr> <dbl> <dbl> <dbl>
## 1 Geosciences 36000 21000 41000
## 2 Environmental Science 35600 25000 40200
## 3 Multi-Disciplinary Or General Science 35000 24000 50000
## 4 Physiology 35000 20000 50000
## 5 Communication Technologies 35000 25000 45000
## 6 Neuroscience 35000 30000 44000
## 7 Atmospheric Sciences And Meteorology 35000 28000 50000
## 8 Miscellaneous Biology 33500 23000 48000
## 9 Biology 33400 24000 45000
## 10 Ecology 33000 23000 42000
## 11 Zoology 26000 20000 39000Exercise 5
Buatlah sebuah pertanyaan yang menarik bagi Anda yang dapat dijawab menggunakan setidaknya tiga variabel dari dataset, lalu jawab pertanyaan tersebut menggunakan statistik ringkasan dan/atau visualisasi.
library(tidyverse)
library(scales)
library(fivethirtyeight)
data("diamonds")
glimpse(diamonds)## Rows: 53,940
## Columns: 10
## $ carat <dbl> 0.23, 0.21, 0.23, 0.29, 0.31, 0.24, 0.24, 0.26, 0.22, 0.23, 0.…
## $ cut <ord> Ideal, Premium, Good, Premium, Good, Very Good, Very Good, Ver…
## $ color <ord> E, E, E, I, J, J, I, H, E, H, J, J, F, J, E, E, I, J, J, J, I,…
## $ clarity <ord> SI2, SI1, VS1, VS2, SI2, VVS2, VVS1, SI1, VS2, VS1, SI1, VS1, …
## $ depth <dbl> 61.5, 59.8, 56.9, 62.4, 63.3, 62.8, 62.3, 61.9, 65.1, 59.4, 64…
## $ table <dbl> 55, 61, 65, 58, 58, 57, 57, 55, 61, 61, 55, 56, 61, 54, 62, 58…
## $ price <int> 326, 326, 327, 334, 335, 336, 336, 337, 337, 338, 339, 340, 34…
## $ x <dbl> 3.95, 3.89, 4.05, 4.20, 4.34, 3.94, 3.95, 4.07, 3.87, 4.00, 4.…
## $ y <dbl> 3.98, 3.84, 4.07, 4.23, 4.35, 3.96, 3.98, 4.11, 3.78, 4.05, 4.…
## $ z <dbl> 2.43, 2.31, 2.31, 2.63, 2.75, 2.48, 2.47, 2.53, 2.49, 2.39, 2.…# Menghitung total penjualan berdasarkan cut dan color
sales_summary <- diamonds %>%
group_by(cut, color) %>%
summarise(total_sales = n(), .groups = 'drop')
# Tampilkan ringkasan penjualan
print(sales_summary)## # A tibble: 35 × 3
## cut color total_sales
## <ord> <ord> <int>
## 1 Fair D 163
## 2 Fair E 224
## 3 Fair F 312
## 4 Fair G 314
## 5 Fair H 303
## 6 Fair I 175
## 7 Fair J 119
## 8 Good D 662
## 9 Good E 933
## 10 Good F 909
## # ℹ 25 more rows# Visualisasi menggunakan ggplot2
ggplot(sales_summary, aes(x = cut, y = total_sales, fill = color)) +
geom_bar(stat = "identity", position = "dodge") +
scale_y_continuous(labels = comma) + # Menggunakan scales untuk format angka
labs(title = "Perbandingan Jumlah Penjualan Berdasarkan Kategori dan Warna",
x = "Kategori (Cut)",
y = "Jumlah Penjualan",
fill = "Warna (Color)") +
theme_minimal()