UTS PEMOGRAMAN SAINS DATA

1. Operasi dan Tipe Data Dasar

a. Menerima dua bilangan dari pengguna

# angka1 <- as.numeric(readline(prompt = "Masukkan bilangan pertama: "))
# angka2 <- as.numeric(readline(prompt = "Masukkan bilangan kedua: "))

# a. Dua bilangan yang sudah ditentukan
angka1 <- 7
angka2 <- 3

b. Menghitung dan menampilkan hasil

angka1 <- 7
angka2 <- 3


penjumlahan <- angka1 + angka2
perkalian <- angka1 * angka2
pembagian <- angka1 / angka2
pangkat <- angka1 ^ angka2

cat("Penjumlahan:",  penjumlahan)

## Penjumlahan: 10

cat("Perkalian:", perkalian)

## Perkalian: 21

cat("Pembagian:", pembagian)

## Pembagian: 2.333333

cat("Pangkat:", pangkat)

## Pangkat: 343

c. Menampilkan hasil dan tipe data masing-masing

cat("Tipe data:", class(penjumlahan), "\n")

## Tipe data: numeric

cat("Tipe data:", class(perkalian), "\n")

## Tipe data: numeric

cat("Tipe data:", class(pembagian), "\n")

## Tipe data: numeric

cat("Tipe data:", class(pangkat), "\n")

## Tipe data: numeric

2. Struktur Kendali (Control Flow)

a. Menerima input nilai ujian dari pengguna (0-100)

# a. Menentukan nilai ujian 
nilai <- 92

# Menampilkan nilai yang ditentukan
cat("Nilai ujian:", nilai, "\n")

## Nilai ujian: 92

b. Menampilkan keterangan berdasarkan ketentuan berikut:

Nilai ≥ 85: “Sangat Baik”
Nilai 70–84: “Baik”
Nilai 60–69: “Cukup”
Nilai < 60: “Perlu Perbaikan”

if (nilai >= 85) {
  cat("Sangat Baik (A)\n")
} else if (nilai >= 70) {
  cat("Baik (B)\n")
} else if (nilai >= 60) {
  cat("Cukup (C)\n")
} else {
  cat("Nilai Perlu Perbaikan\n")
}

## Sangat Baik (A)

3. Fungsi dan Perulangan

a. Menerima input integer

# a. Menentukan nilai integer n 
n <- 40

# Menampilkan nilai n
cat("Nilai n yang ditentukan adalah:", n, "\n")

## Nilai n yang ditentukan adalah: 40

b. Menggunakan loop untuk mencetak semua bilangan genap kelipatan 4 dari 1 hingga n

# Menampilkan info
cat("Bilangan genap kelipatan 4 dari 1 hingga", n, ":\n")

## Bilangan genap kelipatan 4 dari 1 hingga 40 :

# Loop untuk mencari dan mencetak bilangan genap kelipatan 4
for (i in 1:n) {
  if (i %% 4 == 0 && i %% 2 == 0) {
    cat(i, " ")
  }
}

## 4  8  12  16  20  24  28  32  36  40

4.Studi Kasus

Sebuah perusahaan e-commerce ingin menganalisis performa penjualannya berdasarkan data transaksi selama 3 bulan terakhir. Namun, data yang tersedia berasal dari berbagai sumber dan memiliki kualitas yang beragam. Anda diminta untuk melakukan Data Wrangling sebelum dianalisis lebih lanjut.

# suppress message and warning
suppressMessages({
  suppressWarnings({
    
    # Load library
    library(dplyr)
    library(ggplot2)
    
    # Set seed untuk konsistensi
    set.seed(42)
    
    # Simulasi data
    tanggal_range <- seq(as.Date("2025-01-01"), as.Date("2025-03-31"), by = "day")
    kategori_list <- c("Elektronik", "Fashion", "Makanan", "Kecantikan", "Olahraga")
    
    # Generate data acak
    sales_data <- data.frame(
      Tanggal = sample(tanggal_range, 300, replace = TRUE),
      Kategori = sample(kategori_list, 300, replace = TRUE),
      Jumlah = sample(1:4, 300, replace = TRUE),
      Harga = sample(50000:1000000, 300, replace = TRUE)
    )
    
    # Hitung total penjualan
    sales_data <- sales_data %>%
      mutate(Total_Penjualan = Jumlah * Harga)
    
    # Statistik Data Numerik
    cat("=== Statistik Data Numerik ===\n")
    print(summary(select(sales_data, Jumlah, Harga, Total_Penjualan)))
    
    # Statistik Data Kategorikal
    cat("\n=== Statistik Data Kategorikal ===\n")
    print(summary(select(sales_data, Tanggal, Kategori)))
    
    # Penjualan per kategori
    total_per_kategori <- sales_data %>%
      group_by(Kategori) %>%
      summarise(Total_Penjualan = sum(Total_Penjualan)) %>%
      arrange(desc(Total_Penjualan))
    
    cat("\n=== Total Penjualan per Kategori ===\n")
    print(total_per_kategori)
    
    # Visualisasi
    ggplot(total_per_kategori, aes(x = reorder(Kategori, -Total_Penjualan), y = Total_Penjualan)) +
      geom_bar(stat = "identity", fill = "pink", color = "black") +
      labs(title = "Total Penjualan per Kategori",
           x = "Kategori", y = "Total Penjualan (Rp)") +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
      geom_hline(yintercept = seq(0, max(total_per_kategori$Total_Penjualan), by = 1e7),
                 linetype = "dashed", color = "gray", alpha = 0.6)

  })
})

## === Statistik Data Numerik ===
##      Jumlah         Harga        Total_Penjualan  
##  Min.   :1.00   Min.   : 50526   Min.   :  51371  
##  1st Qu.:2.00   1st Qu.:271014   1st Qu.: 577458  
##  Median :3.00   Median :502273   Median :1017678  
##  Mean   :2.51   Mean   :506415   Mean   :1283365  
##  3rd Qu.:3.00   3rd Qu.:710250   3rd Qu.:1849141  
##  Max.   :4.00   Max.   :996852   Max.   :3976072  
## 
## === Statistik Data Kategorikal ===
##     Tanggal             Kategori        
##  Min.   :2025-01-01   Length:300        
##  1st Qu.:2025-01-24   Class :character  
##  Median :2025-02-11   Mode  :character  
##  Mean   :2025-02-12                     
##  3rd Qu.:2025-03-05                     
##  Max.   :2025-03-31                     
## 
## === Total Penjualan per Kategori ===
## # A tibble: 5 × 2
##   Kategori   Total_Penjualan
##   <chr>                <int>
## 1 Fashion           98922741
## 2 Makanan           80346424
## 3 Kecantikan        72366578
## 4 Olahraga          69648647
## 5 Elektronik        63725054

1. Data Collection

Asumsikan data berasal dari 3 file CSV berbeda (januari.csv, februari.csv,maret.csv). Tugas anda:

a. Gabungkan ketiga file menjadi satu dataset.

b.Tampilkan jumlah total baris dan kolom setelah digabung.

library(readr)
library(dplyr)

# Membaca file CSV
df_jan <- read_csv("januari.csv")

## Rows: 50 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

df_feb <- read_csv("februari.csv")

## Rows: 50 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

df_mar <- read_csv("maret.csv")

## Rows: 50 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Menampilkan isi masing-masing file
cat(" Data Januari:\n")

##  Data Januari:

print(head(df_jan))

## # A tibble: 6 × 9
##   OrderID Tanggal    Produk       Kategori  Harga     Jumlah Total Pembeli Kota 
##     <dbl> <chr>      <chr>        <chr>     <chr>     <chr>  <lgl> <chr>   <chr>
## 1    1001 01-01-2024 Laptop A     <NA>      15000000  empat  NA    Budi@   Band…
## 2    1002 02-01-2024 Tas Branded  Fashion   15000000  2      NA    Budi@   Sura…
## 3    1003 03-01-2024 Tas Branded  Aksesoris 15000000  3      NA    _anony… Band…
## 4    1004 04-01-2024 Kemeja       <NA>      15000000  dua    NA    Andi123 Band…
## 5    1005 05-01-2024 -            Fashion   Rp750.000 3      NA    _anony… Jaka…
## 6    1006 06-01-2024 Smartphone X Fashion   15000000  empat  NA    Sinta99 Band…

cat("\n")

cat(" Data Februari:\n")

##  Data Februari:

print(head(df_feb))

## # A tibble: 6 × 9
##   OrderID Tanggal    Produk       Kategori  Harga     Jumlah Total Pembeli Kota 
##     <dbl> <chr>      <chr>        <chr>     <chr>     <chr>  <lgl> <chr>   <chr>
## 1    1101 01-02-2024 Tas Branded  Aksesoris 1.200.000 dua    NA    Budi@   Band…
## 2    1102 02-02-2024 Smartphone X Fashion   Rp750.000 2      NA    _anony… -    
## 3    1103 03-02-2024 Kemeja       Fashion   15000000  1      NA    Budi@   Sura…
## 4    1104 04-02-2024 Kemeja       Fashion   15000000  empat  NA    _anony… Band…
## 5    1105 05-02-2024 Smartphone X <NA>      15000000  empat  NA    _anony… Sura…
## 6    1106 06-02-2024 -            Aksesoris Rp750.000 3      NA    _anony… Band…

cat("\n")

cat(" Data Maret:\n")

##  Data Maret:

print(head(df_mar))

## # A tibble: 6 × 9
##   OrderID Tanggal    Produk        Kategori   Harga   Jumlah Total Pembeli Kota 
##     <dbl> <chr>      <chr>         <chr>      <chr>   <chr>  <lgl> <chr>   <chr>
## 1    1201 01-03-2024 Sepatu 'Nike' Fashion    1.200.… empat  NA    Andi123 Sura…
## 2    1202 02-03-2024 -             Elektronik 150000… 3      NA    _anony… Jaka…
## 3    1203 03-03-2024 -             Fashion    1.200.… dua    NA    Sinta99 Sura…
## 4    1204 04-03-2024 -             <NA>       Rp750.… 3      NA    Budi@   Sura…
## 5    1205 05-03-2024 Tas Branded   <NA>       Rp750.… dua    NA    Andi123 Jaka…
## 6    1206 06-03-2024 Kemeja        Aksesoris  150000… 2      NA    Andi123 Sura…

cat("\n")

# Pastikan kamu sudah install dan load package yang diperlukan
# install.packages("dplyr")  # jika belum terinstall
library(dplyr)

# Baca data
df_jan <- read.csv("januari.csv")
df_feb <- read.csv("februari.csv")
df_mar <- read.csv("maret.csv")

# Gabung data
df_all <- bind_rows(df_jan, df_feb, df_mar)

# Tampilkan data sebagai tabel
cat("Contoh Tabel Gabungan (10 Baris Acak):\n")

## Contoh Tabel Gabungan (10 Baris Acak):

print(df_all %>% sample_n(10))

##    OrderID    Tanggal        Produk   Kategori     Harga Jumlah Total
## 1     1141 12-03-2024  Smartphone X Elektronik Rp750.000  empat    NA
## 2     1032 01-02-2024             -    Fashion    250000      1    NA
## 3     1001 01-01-2024      Laptop A             15000000  empat    NA
## 4     1249 18-04-2024 Sepatu 'Nike'    Fashion  15000000  empat    NA
## 5     1128 28-02-2024        Kemeja    Fashion Rp750.000      3    NA
## 6     1134 05-03-2024        Kemeja  Aksesoris  15000000      3    NA
## 7     1231 31-03-2024      Laptop A    Fashion Rp750.000      1    NA
## 8     1219 19-03-2024        Kemeja             15000000      2    NA
## 9     1003 03-01-2024   Tas Branded  Aksesoris  15000000      3    NA
## 10    1243 12-04-2024      Laptop A    Fashion 1.200.000      2    NA
##        Pembeli     Kota
## 1        Budi@  Bandung
## 2  _anonymous_  Jakarta
## 3        Budi@  Bandung
## 4      Sinta99  Jakarta
## 5      Andi123 Surabaya
## 6      Sinta99  Jakarta
## 7  _anonymous_  Bandung
## 8  _anonymous_        -
## 9  _anonymous_  Bandung
## 10     Andi123        -

# Simpan ke file jika perlu (misalnya)
# write.csv(df_all, "data_gabungan.csv", row.names = FALSE)

# Menggabungkan tiga data frame menjadi satu
    df_all <- bind_rows(df_jan, df_feb, df_mar)
    
    # Menampilkan jumlah baris dan kolom
    cat("Jumlah total baris:", nrow(df_all), "\n")

## Jumlah total baris: 150

    cat("Jumlah total kolom:", ncol(df_all), "\n")

## Jumlah total kolom: 9

2. Data Cleaning

Lakukan pembersihan data berikut:

Standarkan format tanggal ke bentuk YYYY-MM-DD.
Ubah kolom Harga dan Jumlah menjadi format numerik.
Hitung ulang nilai kolom Total = Harga * Jumlah.
Ganti nilai yang tidak valid (contoh: -, “dua”, “Rp”, “anonymous”) dengan nilai yang sesuai atau NA.
Hapus baris yang tidak memiliki nama produk (Produk kosong atau -).

library(readr)
library(dplyr)
library(stringr)
library(lubridate)

## Warning: package 'lubridate' was built under R version 4.4.3

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

# 1. Membaca 3 file CSV
df_jan <- read_csv("januari.csv")

## Rows: 50 Columns: 9

## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

df_feb <- read_csv("februari.csv")

## Rows: 50 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

df_mar <- read_csv("maret.csv")

## Rows: 50 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Tanggal, Produk, Kategori, Harga, Jumlah, Pembeli, Kota
## dbl (1): OrderID
## lgl (1): Total
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# 2. Gabungkan ketiga dataset
df_all <- bind_rows(df_jan, df_feb, df_mar)

# 3. Salin data untuk cleaning
df <- df_all

# 4. Format Tanggal jadi YYYY-MM-DD
df$Tanggal <- dmy(df$Tanggal)  # day-month-year

# 5. Bersihkan kolom Harga
# - Hilangkan simbol dan teks seperti "Rp", titik, koma
df$Harga <- gsub("[^0-9]", "", as.character(df$Harga))
df$Harga <- as.numeric(df$Harga)

# 6. Bersihkan kolom Jumlah
# - Konversi kata-kata ke angka
kata_ke_angka <- c("satu" = 1, "dua" = 2, "tiga" = 3, "empat" = 4, "lima" = 5)
df$Jumlah <- recode(df$Jumlah, !!!kata_ke_angka)

## Warning: Unreplaced values treated as NA as `.x` is not compatible.
## Please specify replacements exhaustively or supply `.default`.

df$Jumlah <- as.numeric(df$Jumlah)

# 7. Hitung ulang kolom Total
df$Total <- df$Harga * df$Jumlah

# 8. Ganti nilai tidak valid menjadi NA

invalid_values <- c("-", "Rp", "anonymous")

df <- df %>%
  mutate(across(where(is.character), ~replace(.x, .x %in% invalid_values, NA)))

# 9. Hapus baris yang tidak memiliki nama produk
df <- df %>% filter(!is.na(Produk))

# 10. Tampilkan data hasil cleaning
cat("Jumlah baris setelah dibersihkan:", nrow(df), "\n")

## Jumlah baris setelah dibersihkan: 122

head(df)

3. Data Transformation

Lakukan transformasi data sebagai berikut:

Buat kolom baru Bulan berdasarkan tanggal transaksi.
Hitung total penjualan (Total) per kategori produk.
Hitung jumlah transaksi dari setiap kota.
Buat ringkasan jumlah total penjualan per bulan.

    library(dplyr)
    library(lubridate)

    # Tambahkan kolom Bulan
    bulan_dict <- c("Januari", "Februari", "Maret")
    df <- df %>%
      mutate(Bulan = bulan_dict[month(Tanggal)])

    # Total Penjualan per Kategori Produk
    penjualan_kategori <- df %>%
      group_by(Kategori) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Total Penjualan per Kota
    penjualan_kota <- df %>%
      group_by(Kota) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Total Penjualan per Bulan
    penjualan_bulan <- df %>%
      group_by(Bulan) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Ubah ke dataframe biasa & reset rownames jadi 0,1,2 (seperti pandas)
    rownames(penjualan_kategori) <- 0:(nrow(penjualan_kategori) - 1)

## Warning: Setting row names on a tibble is deprecated.

    rownames(penjualan_kota) <- 0:(nrow(penjualan_kota) - 1)

## Warning: Setting row names on a tibble is deprecated.

    rownames(penjualan_bulan) <- 0:(nrow(penjualan_bulan) - 1)

## Warning: Setting row names on a tibble is deprecated.

    # Tampilkan output
    cat("Total Penjualan per Kategori Produk:\n")

## Total Penjualan per Kategori Produk:

    print(as.data.frame(penjualan_kategori))

##     Kategori     Total
## 1       <NA> 251000000
## 2 Elektronik 227600000
## 3    Fashion 192800000
## 4  Aksesoris  31100000

    cat("\nTotal Penjualan per Kota:\n")

## 
## Total Penjualan per Kota:

    print(as.data.frame(penjualan_kota))

##       Kota     Total
## 1  Bandung 344200000
## 2     <NA> 142100000
## 3  Jakarta 135300000
## 4 Surabaya  80900000

    cat("\nTotal Penjualan per Bulan:\n")

## 
## Total Penjualan per Bulan:

    print(as.data.frame(penjualan_bulan))

##      Bulan     Total
## 1  Januari 277500000
## 2 Februari 183200000
## 3     <NA> 133100000
## 4    Maret 108700000

Visualisasi

    library(ggplot2)
    library(dplyr)

    # Pastikan urutan bulan benar
    penjualan_bulan$Bulan <- factor(penjualan_bulan$Bulan,
                                    levels = c("Januari", "Februari", "Maret"))

    # Grafik 1: Penjualan per Kategori (palet soft biru - pastel)
    ggplot(penjualan_kategori, aes(x = Total, y = reorder(Kategori, Total))) +
      geom_bar(stat = "identity", fill = "#A3C4DC") +
      labs(title = "Grafik Penjualan per Kategori",
           x = "Jumlah Penjualan", y = "Kategori") +
      theme_minimal()

    # Grafik 2: Penjualan per Kota (palet hijau-biru kalem)
    ggplot(penjualan_kota, aes(x = Total, y = reorder(Kota, Total))) +
      geom_bar(stat = "identity", fill = "#A1D99B") +
      labs(title = "Grafik Penjualan per Kota",
           x = "Jumlah Penjualan", y = "Kota") +
      theme_minimal()

    # Grafik 3: Penjualan per Bulan (ungu pastel)
    ggplot(penjualan_bulan, aes(x = Bulan, y = Total, group = 1)) +
      geom_line(color = "#BAA5D3", size = 1.2) +
      geom_point(color = "#BAA5D3", size = 3) +
      labs(title = "Tren Penjualan Bulanan",
           x = "Bulan", y = "Total Penjualan") +
      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.

---
title: "UTS PEMOGRAMAN SAINS DATA"

subtitle: "UTS PEMOGRAMAN SAINS DATA "

author: 
  - " Fika Irsandi Desvyanti (522400013)"
  
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.css"
    
---

 <img id="logo-utama" src="Fikakampus.jpg" alt="Fikakampus.jpg" style="width:200px; display: block; margin: auto;">

---


# **1. Operasi dan Tipe Data Dasar**

## a. Menerima dua bilangan dari pengguna

```{r  echo=TRUE, message=FALSE, warning=FALSE,}


# angka1 <- as.numeric(readline(prompt = "Masukkan bilangan pertama: "))
# angka2 <- as.numeric(readline(prompt = "Masukkan bilangan kedua: "))

# a. Dua bilangan yang sudah ditentukan
angka1 <- 7
angka2 <- 3


```

## b. Menghitung dan menampilkan hasil 

```{r echo=TRUE, message=FALSE, warning=FALSE,}
angka1 <- 7
angka2 <- 3


penjumlahan <- angka1 + angka2
perkalian <- angka1 * angka2
pembagian <- angka1 / angka2
pangkat <- angka1 ^ angka2

cat("Penjumlahan:",  penjumlahan)
cat("Perkalian:", perkalian)
cat("Pembagian:", pembagian)
cat("Pangkat:", pangkat)
```

## c. Menampilkan hasil dan tipe data masing-masing

```{r echo=TRUE, message=FALSE, warning=FALSE,}

cat("Tipe data:", class(penjumlahan), "\n")
cat("Tipe data:", class(perkalian), "\n")
cat("Tipe data:", class(pembagian), "\n")
cat("Tipe data:", class(pangkat), "\n")

```
#  **2. Struktur Kendali (Control Flow)**

## a. Menerima input nilai ujian dari pengguna (0-100)

```{r echo=TRUE, message=FALSE, warning=FALSE,}
# a. Menentukan nilai ujian 
nilai <- 92

# Menampilkan nilai yang ditentukan
cat("Nilai ujian:", nilai, "\n")

```

## b. Menampilkan keterangan berdasarkan ketentuan berikut:

-	Nilai ≥ 85: “Sangat Baik” 

-	Nilai 70–84: “Baik” 

-	Nilai 60–69: “Cukup” 

-	Nilai < 60: “Perlu Perbaikan” 

```{r echo=TRUE, message=FALSE, warning=FALSE,}
if (nilai >= 85) {
  cat("Sangat Baik (A)\n")
} else if (nilai >= 70) {
  cat("Baik (B)\n")
} else if (nilai >= 60) {
  cat("Cukup (C)\n")
} else {
  cat("Nilai Perlu Perbaikan\n")
}
```

# **3. Fungsi dan Perulangan**

## a. Menerima input integer 

```{r echo=TRUE, message=FALSE, warning=FALSE,}
# a. Menentukan nilai integer n 
n <- 40

# Menampilkan nilai n
cat("Nilai n yang ditentukan adalah:", n, "\n")

```

## b.	Menggunakan loop untuk mencetak semua bilangan genap kelipatan 4 dari 1 hingga n

```{r  echo=TRUE, message=FALSE, warning=FALSE,}
# Menampilkan info
cat("Bilangan genap kelipatan 4 dari 1 hingga", n, ":\n")

# Loop untuk mencari dan mencetak bilangan genap kelipatan 4
for (i in 1:n) {
  if (i %% 4 == 0 && i %% 2 == 0) {
    cat(i, " ")
  }
}
```

# **4.Studi Kasus** 

Sebuah perusahaan e-commerce ingin menganalisis performa penjualannya berdasarkan data transaksi selama 3 bulan terakhir. Namun, data yang tersedia berasal dari berbagai sumber dan memiliki kualitas yang beragam. Anda diminta untuk melakukan Data Wrangling sebelum dianalisis lebih lanjut. 
 
 
 
```{r message=FALSE, warning=FALSE}
# suppress message and warning
suppressMessages({
  suppressWarnings({
    
    # Load library
    library(dplyr)
    library(ggplot2)
    
    # Set seed untuk konsistensi
    set.seed(42)
    
    # Simulasi data
    tanggal_range <- seq(as.Date("2025-01-01"), as.Date("2025-03-31"), by = "day")
    kategori_list <- c("Elektronik", "Fashion", "Makanan", "Kecantikan", "Olahraga")
    
    # Generate data acak
    sales_data <- data.frame(
      Tanggal = sample(tanggal_range, 300, replace = TRUE),
      Kategori = sample(kategori_list, 300, replace = TRUE),
      Jumlah = sample(1:4, 300, replace = TRUE),
      Harga = sample(50000:1000000, 300, replace = TRUE)
    )
    
    # Hitung total penjualan
    sales_data <- sales_data %>%
      mutate(Total_Penjualan = Jumlah * Harga)
    
    # Statistik Data Numerik
    cat("=== Statistik Data Numerik ===\n")
    print(summary(select(sales_data, Jumlah, Harga, Total_Penjualan)))
    
    # Statistik Data Kategorikal
    cat("\n=== Statistik Data Kategorikal ===\n")
    print(summary(select(sales_data, Tanggal, Kategori)))
    
    # Penjualan per kategori
    total_per_kategori <- sales_data %>%
      group_by(Kategori) %>%
      summarise(Total_Penjualan = sum(Total_Penjualan)) %>%
      arrange(desc(Total_Penjualan))
    
    cat("\n=== Total Penjualan per Kategori ===\n")
    print(total_per_kategori)
    
    # Visualisasi
    ggplot(total_per_kategori, aes(x = reorder(Kategori, -Total_Penjualan), y = Total_Penjualan)) +
      geom_bar(stat = "identity", fill = "pink", color = "black") +
      labs(title = "Total Penjualan per Kategori",
           x = "Kategori", y = "Total Penjualan (Rp)") +
      theme_minimal() +
      theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
      geom_hline(yintercept = seq(0, max(total_per_kategori$Total_Penjualan), by = 1e7),
                 linetype = "dashed", color = "gray", alpha = 0.6)

  })
})

```
 
# **1. Data Collection**

Asumsikan data berasal dari 3 file CSV berbeda (januari.csv, februari.csv,maret.csv). Tugas anda:

## a. Gabungkan ketiga file menjadi satu dataset.


## b.Tampilkan jumlah total baris dan kolom setelah digabung.


```{r}

library(readr)
library(dplyr)

# Membaca file CSV
df_jan <- read_csv("januari.csv")
df_feb <- read_csv("februari.csv")
df_mar <- read_csv("maret.csv")

# Menampilkan isi masing-masing file
cat(" Data Januari:\n")
print(head(df_jan))
cat("\n")

cat(" Data Februari:\n")
print(head(df_feb))
cat("\n")

cat(" Data Maret:\n")
print(head(df_mar))
cat("\n")

 
```


```{r}
# Pastikan kamu sudah install dan load package yang diperlukan
# install.packages("dplyr")  # jika belum terinstall
library(dplyr)

# Baca data
df_jan <- read.csv("januari.csv")
df_feb <- read.csv("februari.csv")
df_mar <- read.csv("maret.csv")

# Gabung data
df_all <- bind_rows(df_jan, df_feb, df_mar)

# Tampilkan data sebagai tabel
cat("Contoh Tabel Gabungan (10 Baris Acak):\n")
print(df_all %>% sample_n(10))

# Simpan ke file jika perlu (misalnya)
# write.csv(df_all, "data_gabungan.csv", row.names = FALSE)

```


```{r}
# Menggabungkan tiga data frame menjadi satu
    df_all <- bind_rows(df_jan, df_feb, df_mar)
    
    # Menampilkan jumlah baris dan kolom
    cat("Jumlah total baris:", nrow(df_all), "\n")
    cat("Jumlah total kolom:", ncol(df_all), "\n")
    

```


# **2. Data Cleaning** 

**Lakukan pembersihan data berikut:**

a.	Standarkan format tanggal ke bentuk YYYY-MM-DD. 

b.	Ubah kolom Harga dan Jumlah menjadi format numerik. 

c.	Hitung ulang nilai kolom Total = Harga * Jumlah.

d.	Ganti nilai yang tidak valid (contoh: -, "dua", "Rp", "_anonymous_") dengan nilai yang sesuai atau NA. 

e.	Hapus baris yang tidak memiliki nama produk (Produk kosong atau -). 

```{r}
library(readr)
library(dplyr)
library(stringr)
library(lubridate)

# 1. Membaca 3 file CSV
df_jan <- read_csv("januari.csv")
df_feb <- read_csv("februari.csv")
df_mar <- read_csv("maret.csv")

# 2. Gabungkan ketiga dataset
df_all <- bind_rows(df_jan, df_feb, df_mar)

# 3. Salin data untuk cleaning
df <- df_all

# 4. Format Tanggal jadi YYYY-MM-DD
df$Tanggal <- dmy(df$Tanggal)  # day-month-year

# 5. Bersihkan kolom Harga
# - Hilangkan simbol dan teks seperti "Rp", titik, koma
df$Harga <- gsub("[^0-9]", "", as.character(df$Harga))
df$Harga <- as.numeric(df$Harga)

# 6. Bersihkan kolom Jumlah
# - Konversi kata-kata ke angka
kata_ke_angka <- c("satu" = 1, "dua" = 2, "tiga" = 3, "empat" = 4, "lima" = 5)
df$Jumlah <- recode(df$Jumlah, !!!kata_ke_angka)
df$Jumlah <- as.numeric(df$Jumlah)

# 7. Hitung ulang kolom Total
df$Total <- df$Harga * df$Jumlah

# 8. Ganti nilai tidak valid menjadi NA

invalid_values <- c("-", "Rp", "anonymous")

df <- df %>%
  mutate(across(where(is.character), ~replace(.x, .x %in% invalid_values, NA)))

# 9. Hapus baris yang tidak memiliki nama produk
df <- df %>% filter(!is.na(Produk))

# 10. Tampilkan data hasil cleaning
cat("Jumlah baris setelah dibersihkan:", nrow(df), "\n")
head(df)
```









# **3. Data Transformation**

Lakukan transformasi data sebagai berikut: 

a.	Buat kolom baru Bulan berdasarkan tanggal transaksi.

b.	Hitung total penjualan (Total) per kategori produk. 

c.	Hitung jumlah transaksi dari setiap kota. 

d.	Buat ringkasan jumlah total penjualan per bulan. 

```{r}
    
    library(dplyr)
    library(lubridate)

    # Tambahkan kolom Bulan
    bulan_dict <- c("Januari", "Februari", "Maret")
    df <- df %>%
      mutate(Bulan = bulan_dict[month(Tanggal)])

    # Total Penjualan per Kategori Produk
    penjualan_kategori <- df %>%
      group_by(Kategori) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Total Penjualan per Kota
    penjualan_kota <- df %>%
      group_by(Kota) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Total Penjualan per Bulan
    penjualan_bulan <- df %>%
      group_by(Bulan) %>%
      summarise(Total = sum(Total, na.rm = TRUE)) %>%
      arrange(desc(Total))

    # Ubah ke dataframe biasa & reset rownames jadi 0,1,2 (seperti pandas)
    rownames(penjualan_kategori) <- 0:(nrow(penjualan_kategori) - 1)
    rownames(penjualan_kota) <- 0:(nrow(penjualan_kota) - 1)
    rownames(penjualan_bulan) <- 0:(nrow(penjualan_bulan) - 1)

    # Tampilkan output
    cat("Total Penjualan per Kategori Produk:\n")
    print(as.data.frame(penjualan_kategori))

    cat("\nTotal Penjualan per Kota:\n")
    print(as.data.frame(penjualan_kota))

    cat("\nTotal Penjualan per Bulan:\n")
    print(as.data.frame(penjualan_bulan))



```



## **Visualisasi**

```{r}
    library(ggplot2)
    library(dplyr)

    # Pastikan urutan bulan benar
    penjualan_bulan$Bulan <- factor(penjualan_bulan$Bulan,
                                    levels = c("Januari", "Februari", "Maret"))

    # Grafik 1: Penjualan per Kategori (palet soft biru - pastel)
    ggplot(penjualan_kategori, aes(x = Total, y = reorder(Kategori, Total))) +
      geom_bar(stat = "identity", fill = "#A3C4DC") +
      labs(title = "Grafik Penjualan per Kategori",
           x = "Jumlah Penjualan", y = "Kategori") +
      theme_minimal()

    # Grafik 2: Penjualan per Kota (palet hijau-biru kalem)
    ggplot(penjualan_kota, aes(x = Total, y = reorder(Kota, Total))) +
      geom_bar(stat = "identity", fill = "#A1D99B") +
      labs(title = "Grafik Penjualan per Kota",
           x = "Jumlah Penjualan", y = "Kota") +
      theme_minimal()

    # Grafik 3: Penjualan per Bulan (ungu pastel)
    ggplot(penjualan_bulan, aes(x = Bulan, y = Total, group = 1)) +
      geom_line(color = "#BAA5D3", size = 1.2) +
      geom_point(color = "#BAA5D3", size = 3) +
      labs(title = "Tren Penjualan Bulanan",
           x = "Bulan", y = "Total Penjualan") +
      theme_minimal()

```

