Ujian Tengah Semester

Pemograman Sains Data 1

Logo

1 Operasi dan Tipe Data Dasar

Program ini ditulis dalam bahasa R, dan bertujuan untuk:

  1. Menerima dua bilangan dari pengguna.

  2. Melakukan empat operasi matematika dasar: penjumlahan, perkalian, pembagian, dan perpangkatan.

  3. Menampilkan hasil dari setiap operasi.

  4. Menampilkan tipe data dari setiap hasil operasi.

# Menerima dua bilangan dari pengguna
bilangan_pertama <- as.numeric(readline(prompt = "Masukkan bilangan pertama: "))
## Masukkan bilangan pertama:
bilangan_kedua <- as.numeric(readline(prompt = "Masukkan bilangan kedua: "))
## Masukkan bilangan kedua:
#  a. Menghitung hasil operasi matematika
penjumlahan <- bilangan_pertama + bilangan_kedua
perkalian <- bilangan_pertama * bilangan_kedua
pembagian <- bilangan_pertama / bilangan_kedua
pangkat <- bilangan_pertama ^ bilangan_kedua

# b. Menampilkan hasil operasi matematika
cat("Hasil Penjumlahan: ", penjumlahan, "\n")
## Hasil Penjumlahan:  NA
cat("Hasil Perkalian: ", perkalian, "\n")
## Hasil Perkalian:  NA
cat("Hasil Pembagian: ", pembagian, "\n")
## Hasil Pembagian:  NA
cat("Hasil Pangkat: ", pangkat, "\n")
## Hasil Pangkat:  NA
# c. Menampilkan tipe data masing-masing hasil operasi matematika
cat("Tipe data hasil Penjumlahan: ", class(penjumlahan), "\n")
## Tipe data hasil Penjumlahan:  numeric
cat("Tipe data hasil Perkalian: ", class(perkalian), "\n")
## Tipe data hasil Perkalian:  numeric
cat("Tipe data hasil Pembagian: ", class(pembagian), "\n")
## Tipe data hasil Pembagian:  numeric
cat("Tipe data hasil Pangkat: ", class(pangkat), "\n")
## Tipe data hasil Pangkat:  numeric

Penjelasan Kode :

  1. Input Dari Pemgguna

  • readline() meminta input dari pengguna berupa teks.

  • as.numeric() mengubah input tersebut menjadi angka (tipe numeric).

  • Nilai ini disimpan ke dalam variabel bilangan_pertama dan bilangan_kedua.

  1. Operasi Matematika

Keempat operasi dilakukan langsung dengan operator matematika standar di R:

  • \(+\) untuk penjumlahan

  • \(*\) untuk perkalian

  • \(/\) untuk pembagian

  • \(^\) untuk perpangkatan

  1. Menampilkan Hasil

  • Fungsi cat() mencetak teks dan nilai variabel ke layar.

  • *digunakan untuk pindah baris.

  1. Menampilkan Tipe Data

  • Fungsi class() digunakan untuk mengetahui tipe data dari suatu variabel.

  • Karena semua operasi menggunakan angka, hasil dari class(…) umumnya akan berupa “numeric”.

2 Struktur Kendali (Control Flow)

Program ini dibuat untuk:

  1. Menerima input nilai ujian dari pengguna.

  2. Memastikan nilai berada pada rentang yang valid (0–100).

  3. Memberikan kategori penilaian berdasarkan nilai tersebut.

  4. Menampilkan pesan kesalahan jika input tidak valid.

# a. Menerima input nilai ujian dari pengguna
nilai <- as.numeric(readline(prompt = "Masukkan nilai ujian (0-100): "))
## Masukkan nilai ujian (0-100):
# Validasi nilai harus berada dalam rentang 0–100
if (!is.na(nilai) && nilai >= 0 && nilai <= 100) {
  # b. Menampilkan keterangan berdasarkan nilai
  if (nilai >= 85) {
    cat("Sangat Baik\n")
  } else if (nilai >= 70 && nilai <= 84) {
    cat("Baik\n")
  } else if (nilai >= 60 && nilai <= 69) {
    cat("Cukup\n")
  } else if(nilai < 60) {
    cat("Perlu Perbaikan\n")
  }
} else {
  cat("Nilai ujian tidak valid. Harap masukkan nilai antara 0-100.\n")
}
## Nilai ujian tidak valid. Harap masukkan nilai antara 0-100.

Penjelasan Kode:

  1. Input Nilai Ujian

  • readline() digunakan untuk mengambil input dari pengguna dalam bentuk teks.

  • as.numeric() mengubah input menjadi angka.

  • Nilai disimpan dalam variabel nilai.

  1. Validasi Nilai

  • !is.na(nilai) memastikan nilai bukan NA (bukan kosong atau gagal dikonversi).

  • nilai >= 0 && nilai <= 100 memastikan nilai berada dalam rentang valid.

  • Jika kondisi ini terpenuhi, program lanjut mengevaluasi kategori nilai.

  1. Kategori Penilaian
  • Setiap hasil ditampilkan dengan cat() disertai *untuk pindah baris.
  1. Penanganan Input Tidak Valid
  • Jika nilai tidak memenuhi syarat valid, maka akan ditampilkan pesan kesalahan.

3 Fungsi dan Perulangan

Program ini dibuat untuk:

  1. Menerima input bilangan bulat dari pengguna sebagai batas atas.

  2. Mencetak semua bilangan kelipatan 4 dari 1 hingga bilangan tersebut.

  3. Menampilkan pesan kesalahan jika input tidak valid.

# Menerima input integer dari pengguna
n <- as.integer(readline(prompt = "Masukkan nilai batasan dari kelipatan genap: "))
## Masukkan nilai batasan dari kelipatan genap:
# Cek apakah n valid
if (is.na(n) || n <= 0) {
  cat("Input tidak valid. Harap masukkan bilangan bulat positif.\n")
} else {
  # Menyimpan hasil bilangan genap kelipatan 4 dalam vektor
  kelipatan_4 <- c()

  # Loop dari 1 sampai n
  for (i in 1:n) {
    if (i %% 4 == 0) {
      kelipatan_4 <- c(kelipatan_4, i)
    }
  }

  # Tampilkan hasil
  cat("Kelipatan 4 dari 1 sampai", n, "adalah:\n")
  cat(paste(kelipatan_4, collapse = ", "), "\n")
}
## Input tidak valid. Harap masukkan bilangan bulat positif.

Penjelasan Kode:

  1. Input Dari Pengguna

  • readline() meminta input dari pengguna dalam bentuk teks.

  • as.integer() mengubah input menjadi bilangan bulat.

  • Nilai ini disimpan dalam variabel n.

  1. Validasi Input

  • is.na(n) mengecek apakah input gagal dikonversi ke integer.

  • n <= 0 memastikan nilai adalah bilangan bulat positif.

  • Jika kondisi ini terpenuhi, maka pengguna diberi peringatan.

  1. Perulangan dan Pengecekan Kelipatan

  • for (i in 1:n) artinya program akan memeriksa setiap bilangan dari 1 sampai n.

  • i %% 4 == 0 mengecek apakah i adalah kelipatan 4 (sisa bagi = 0).

  • c(kelipatan_4, i) menambahkan nilai i ke vektor kelipatan_4.

  1. Menampilkan Hasil

  • cat() mencetak hasil ke layar.

  • paste(…, collapse = “,”) digunakan untuk menggabungkan elemen vektor kelipatan_4 menjadi satu string dengan pemisah koma.

4 Studi Kasus

4.1 Data Collection

Program ini dibuat untuk:

  1. Membaca satu sheet tertentu dari file Excel.

  2. Menampilkan jumlah baris dan kolom dari data tersebut

# Install dan panggil package yang diperlukan
library(readxl)
## Warning: package 'readxl' was built under R version 4.4.3
# Baca sheet "Append1" dari file Excel
data <- read_excel("data_penjualan_kuartal1_full.append.xlsx", sheet = "Append1")

# Tampilkan jumlah baris dan kolom
cat("Jumlah baris:", nrow(data), "\n")
## Jumlah baris: 150
cat("Jumlah kolom:", ncol(data), "\n")
## Jumlah kolom: 9

Penjelasan Kode :

  1. Memanggil Package:

  • readxl adalah package di R untuk membaca file Excel (.xls dan .xlsx).

  • Package ini harus di-install terlebih dahulu dengan install.packages(“readxl”) jika belum tersedia.

  1. Membaca Data dari Sheet Tertentu

  • read_excel() digunakan untuk membaca file Excel.

  • Argumen sheet = “Append1” menandakan bahwa hanya sheet bernama “Append1” yang akan dibaca.

  • Data hasil pembacaan disimpan dalam variabel data.

  1. Menampilkan Dimensi Data

  • nrow(data) menghitung jumlah baris (observasi).

  • ncol(data) menghitung jumlah kolom (variabel).

  • cat() digunakan untuk mencetak informasi ke konsol.

4.2 Data Cleaning

Program ini dibuat untuk:

  1. Membersihkan dan mempersiapkan data penjualan dari file Excel agar siap dianalisis. Proses ini melibatkan:

  • standarisasi tanggal,

  • konversi kolom numerik,

  • perhitungan ulang nilai total,

  • penanganan data tidak valid,

  • penghapusan data kosong.

library(readxl)
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.4.3
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
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
library(writexl)
## Warning: package 'writexl' was built under R version 4.4.3
# Load data
df <- read_excel("data_penjualan_kuartal1_full.append.xlsx")

# a. Standarkan format tanggal
df <- df %>% mutate(Tanggal = format(dmy(Tanggal), "%Y-%m-%d"))

# b. Ubah Harga dan Jumlah ke numerik
# Harga: hapus karakter non-digit
df$Harga <- as.numeric(gsub("[^0-9]", "", df$Harga))

# Jumlah: ubah teks angka ke numerik
text_to_number <- c("satu"=1, "dua"=2, "tiga"=3, "empat"=4, "lima"=5,
                    "enam"=6, "tujuh"=7, "delapan"=8, "sembilan"=9, "sepuluh"=10)

df$Jumlah <- ifelse(df$Jumlah %in% names(text_to_number),
                    text_to_number[df$Jumlah],
                    df$Jumlah)
df$Jumlah <- as.numeric(df$Jumlah)

# c. Hitung ulang kolom Total
df <- df %>% mutate(Total = Harga * Jumlah)

# d. Ganti nilai tidak valid dengan NA
df[df == "-" | df == "Rp" | df == "_anonymous_"] <- NA

# e. Hapus baris dengan Produk kosong atau "-"
df <- df %>% filter(!Produk %in% c("-", NA, ""))

# Simpan hasil
write_xlsx(df, "data_penjualan_bersih.xlsx")

# Tampilkan beberapa baris pertama setelah setiap langkah

head(df)

Penjelasan Kode:

  1. Library yang Digunakan

  • readxl : Membaca file Excel.

  • dplyr : Memudahkan manipulasi data (filter, mutate, dll).

  • stringr : Pemrosesan string (tidak dipakai eksplisit di sini, tapi berguna).

  • lubridate : Untuk parsing dan formatting tanggal.

  • writexl : Untuk menyimpan data ke Excel kembali.

  1. Membaca Data
  • Membaca seluruh isi file Excel ke dalam variabel df.
  1. Standarisasi Format Tanggal
  • Mengubah kolom Tanggal ke format YYYY-MM-DD setelah memastikan bahwa urutan tanggalnya day-month-year.
  1. Konversi Harga dan Jumlah

  • Menghapus semua karakter non-angka (misalnya simbol Rp, titik, koma) dan ubah menjadi numerik.

  • Konversi teks angka (seperti “lima”) menjadi angka (5).

  • Kemudian as.numeric() untuk memastikan semuanya bertipe numerik.

  1. Hitung Kolom Total
  • Membuat ulang kolom Total berdasarkan hasil perkalian Harga dan Jumlah.
  1. Ganti Nilai Tak Valid dengan NA
  • Semua nilai tidak valid diganti menjadi NA agar bisa difilter atau dianalisis lebih baik.
  1. Hapus Baris dengan Produk Kosong
  • Hapus semua baris yang memiliki nilai Produk kosong, tanda -, atau NA.
  1. Simpan Data ke File Baru
  • Simpan hasil akhir ke file Excel baru untuk dokumentasi atau analisis lanjutan.
  1. Tampilkan Data
  • Menampilkan beberapa baris awal untuk melihat hasil akhir pembersihan data.

4.3 Data Transformation

Program ini dibuat untuk:

  1. Melakukan analisis ringkasan terhadap data penjualan yang telah dibersihkan sebelumnya, mencakup:

  • Penjualan per kategori produk

  • Jumlah transaksi per kota

  • Total penjualan bulanan

library(readxl)
library(dplyr)
library(lubridate)
library(writexl)

# Load data (asumsi data sudah dibersihkan)
df <- read_excel("data_penjualan_bersih.xlsx")

# a. Tambahkan kolom Bulan
df <- df %>% mutate(Bulan = format(ymd(Tanggal), "%Y-%m"))

# b. Hitung total penjualan per kategori produk
total_per_kategori <- df %>%
  group_by(Kategori) %>%
  summarise(`Total Penjualan` = sum(Total, na.rm = TRUE))

# c. Hitung jumlah transaksi dari setiap kota
transaksi_per_kota <- df %>%
  group_by(Kota) %>%
  summarise(`Jumlah Transaksi` = n())

# d. Ringkasan jumlah total penjualan per bulan
total_per_bulan <- df %>%
  group_by(Bulan) %>%
  summarise(`Total Penjualan Bulanan` = sum(Total, na.rm = TRUE))

# (Opsional) Simpan semua hasil ke file Excel
write_xlsx(list(
  "Penjualan per Kategori" = total_per_kategori,
  "Transaksi per Kota" = transaksi_per_kota,
  "Penjualan per Bulan" = total_per_bulan
), "ringkasan_penjualan.xlsx")

cat("Total Penjualan per Kategori:\n")
## Total Penjualan per Kategori:
print(total_per_kategori)
## # A tibble: 4 × 2
##   Kategori   `Total Penjualan`
##   <chr>                  <dbl>
## 1 Aksesoris          181400000
## 2 Elektronik          87750000
## 3 Fashion            143600000
## 4 <NA>               194700000
cat("\nJumlah Transaksi per Kota:\n")
## 
## Jumlah Transaksi per Kota:
print(transaksi_per_kota)
## # A tibble: 4 × 2
##   Kota     `Jumlah Transaksi`
##   <chr>                 <int>
## 1 Bandung                  10
## 2 Jakarta                  10
## 3 Surabaya                 10
## 4 <NA>                     12
cat("\nTotal Penjualan per Bulan:\n")
## 
## Total Penjualan per Bulan:
print(total_per_bulan)
## # A tibble: 2 × 2
##   Bulan   `Total Penjualan Bulanan`
##   <chr>                       <dbl>
## 1 2024-01                 489150000
## 2 2024-02                 118300000

Penjelasan Kode:

  1. Tambah Kolom Bulan
  • Ekstrak bagian bulan dari kolom Tanggal dan simpan dalam format YYYY-MM.
  1. Total Penjualan per Kategori
  • Menjumlahkan nilai Total untuk tiap kategori, mengabaikan NA.
  1. Jumlah Transaksi per Kota
  • Menghitung jumlah baris (transaksi) untuk setiap kota.
  1. Ringkasan Penjualan Bulanan
  • Menjumlahkan total penjualan per bulan.
  1. Simpan ke Excel (opsional tapi sangat berguna)
  • Menyimpan tiga tabel ringkasan ke dalam satu file Excel, tiap tabel di sheet terpisah.
  1. Cetak Hasil ke Konsol
  • Menampilkan hasil ke terminal atau konsol R.
---
title: "Ujian Tengah Semester"
subtitle: "Pemograman Sains Data 1"
author: 
  - "Dwi Sri Yanti Manullang"
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
    number_sections: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "C:/Users/Dwi Manullang/Downloads/style.css"
---
<img id="logo-utama" src="C:/Users/Dwi Manullang/Pictures/Camera Roll/dwi.jpg" alt="Logo" style="width:200px; display: block; margin: auto;">

---

# **Operasi dan Tipe Data Dasar**

---

**Program ini ditulis dalam bahasa R, dan bertujuan untuk**:

1. Menerima dua bilangan dari pengguna.

2. Melakukan empat operasi matematika dasar: penjumlahan, perkalian, pembagian, dan perpangkatan.

3. Menampilkan hasil dari setiap operasi.

4. Menampilkan tipe data dari setiap hasil operasi.


```{r,   message=TRUE, warning=TRUE, echo=TRUE}

# Menerima dua bilangan dari pengguna
bilangan_pertama <- as.numeric(readline(prompt = "Masukkan bilangan pertama: "))
bilangan_kedua <- as.numeric(readline(prompt = "Masukkan bilangan kedua: "))

#  a. Menghitung hasil operasi matematika
penjumlahan <- bilangan_pertama + bilangan_kedua
perkalian <- bilangan_pertama * bilangan_kedua
pembagian <- bilangan_pertama / bilangan_kedua
pangkat <- bilangan_pertama ^ bilangan_kedua

# b. Menampilkan hasil operasi matematika
cat("Hasil Penjumlahan: ", penjumlahan, "\n")
cat("Hasil Perkalian: ", perkalian, "\n")
cat("Hasil Pembagian: ", pembagian, "\n")
cat("Hasil Pangkat: ", pangkat, "\n")

# c. Menampilkan tipe data masing-masing hasil operasi matematika
cat("Tipe data hasil Penjumlahan: ", class(penjumlahan), "\n")
cat("Tipe data hasil Perkalian: ", class(perkalian), "\n")
cat("Tipe data hasil Pembagian: ", class(pembagian), "\n")
cat("Tipe data hasil Pangkat: ", class(pangkat), "\n")

```

**Penjelasan Kode** :

1. **Input Dari Pemgguna**

- *readline()* meminta input dari pengguna berupa teks.

- *as.numeric()* mengubah input tersebut menjadi angka (tipe **numeric**).

- Nilai ini disimpan ke dalam variabel **bilangan_pertama** dan **bilangan_kedua**.


2. **Operasi Matematika**

Keempat operasi dilakukan langsung dengan operator matematika standar di R:

- $+$ untuk penjumlahan

- $*$ untuk perkalian

- $/$ untuk pembagian

- $^$ untuk perpangkatan


3. **Menampilkan Hasil**

- Fungsi *cat()* mencetak teks dan nilai variabel ke layar.

- *\n* digunakan untuk pindah baris.


4. **Menampilkan Tipe Data**

- Fungsi *class()* digunakan untuk mengetahui tipe data dari suatu variabel.

- Karena semua operasi menggunakan angka, hasil dari *class(...)* umumnya akan berupa *"numeric"*.


---

# Struktur Kendali (Control Flow)

---

**Program ini dibuat untuk**:

1. Menerima input nilai ujian dari pengguna.

2. Memastikan nilai berada pada rentang yang valid (0–100).

3. Memberikan kategori penilaian berdasarkan nilai tersebut.

4. Menampilkan pesan kesalahan jika input tidak valid.

```{r,   message=TRUE, warning=TRUE, echo=TRUE}

# a. Menerima input nilai ujian dari pengguna
nilai <- as.numeric(readline(prompt = "Masukkan nilai ujian (0-100): "))

# Validasi nilai harus berada dalam rentang 0–100
if (!is.na(nilai) && nilai >= 0 && nilai <= 100) {
  # b. Menampilkan keterangan berdasarkan nilai
  if (nilai >= 85) {
    cat("Sangat Baik\n")
  } else if (nilai >= 70 && nilai <= 84) {
    cat("Baik\n")
  } else if (nilai >= 60 && nilai <= 69) {
    cat("Cukup\n")
  } else if(nilai < 60) {
    cat("Perlu Perbaikan\n")
  }
} else {
  cat("Nilai ujian tidak valid. Harap masukkan nilai antara 0-100.\n")
}
```

**Penjelasan Kode**:

1. **Input Nilai Ujian**

- *readline()* digunakan untuk mengambil input dari pengguna dalam bentuk teks.

- *as.numeric()* mengubah input menjadi angka.

- Nilai disimpan dalam variabel nilai.


2. **Validasi Nilai**

- **!is.na(nilai)** memastikan nilai bukan *NA* (bukan kosong atau gagal dikonversi).

- **nilai >= 0 && nilai <= 100** memastikan nilai berada dalam rentang valid.

- Jika kondisi ini terpenuhi, program lanjut mengevaluasi kategori nilai.


3. **Kategori Penilaian**

- Setiap hasil ditampilkan dengan *cat()* disertai *\n* untuk pindah baris.


4. **Penanganan Input Tidak Valid**

- Jika nilai tidak memenuhi syarat valid, maka akan ditampilkan pesan kesalahan.


---

# Fungsi dan Perulangan

---

**Program ini dibuat untuk**:

1. Menerima input bilangan bulat dari pengguna sebagai batas atas.

2. Mencetak semua bilangan kelipatan 4 dari 1 hingga bilangan tersebut.

3. Menampilkan pesan kesalahan jika input tidak valid.


```{r,   message=TRUE, warning=TRUE, echo=TRUE}

# Menerima input integer dari pengguna
n <- as.integer(readline(prompt = "Masukkan nilai batasan dari kelipatan genap: "))

# Cek apakah n valid
if (is.na(n) || n <= 0) {
  cat("Input tidak valid. Harap masukkan bilangan bulat positif.\n")
} else {
  # Menyimpan hasil bilangan genap kelipatan 4 dalam vektor
  kelipatan_4 <- c()

  # Loop dari 1 sampai n
  for (i in 1:n) {
    if (i %% 4 == 0) {
      kelipatan_4 <- c(kelipatan_4, i)
    }
  }

  # Tampilkan hasil
  cat("Kelipatan 4 dari 1 sampai", n, "adalah:\n")
  cat(paste(kelipatan_4, collapse = ", "), "\n")
}


```
**Penjelasan Kode**:

1. **Input Dari Pengguna**

- *readline()* meminta input dari pengguna dalam bentuk teks.

- *as.integer()* mengubah input menjadi bilangan bulat.

- Nilai ini disimpan dalam variabel *n*.


2. **Validasi Input**

- *is.na(n)* mengecek apakah input gagal dikonversi ke integer.

- *n <= 0* memastikan nilai adalah bilangan bulat **positif**.

- Jika kondisi ini terpenuhi, maka pengguna diberi peringatan.


3. **Perulangan dan Pengecekan Kelipatan**

- *for (i in 1:n)* artinya program akan memeriksa setiap bilangan dari 1 sampai *n*.

- *i %% 4 == 0* mengecek apakah i adalah kelipatan 4 (sisa bagi = 0).

- *c(kelipatan_4, i) *menambahkan nilai *i* ke vektor **kelipatan_4**.


4. **Menampilkan Hasil**

- *cat()* mencetak hasil ke layar.

- *paste(..., collapse = ", ")* digunakan untuk menggabungkan elemen vektor kelipatan_4 menjadi satu string dengan pemisah koma.


---

# Studi Kasus

---

## Data Collection

**Program ini dibuat untuk**:

1. Membaca satu sheet tertentu dari file Excel.

2. Menampilkan jumlah baris dan kolom dari data tersebut


```{r,   message=TRUE, warning=TRUE, echo=TRUE}
# Install dan panggil package yang diperlukan
library(readxl)

# Baca sheet "Append1" dari file Excel
data <- read_excel("data_penjualan_kuartal1_full.append.xlsx", sheet = "Append1")

# Tampilkan jumlah baris dan kolom
cat("Jumlah baris:", nrow(data), "\n")
cat("Jumlah kolom:", ncol(data), "\n")
```

**Penjelasan Kode** :

1. **Memanggil Package**:

- *readxl* adalah package di R untuk membaca file Excel (*.xls* dan *.xlsx*).

- Package ini harus di-install terlebih dahulu dengan *install.packages("readxl")* jika belum tersedia.


2. **Membaca Data dari Sheet Tertentu**

- *read_excel()* digunakan untuk membaca file Excel.

- Argumen *sheet = "Append1"* menandakan bahwa hanya sheet bernama "Append1" yang akan dibaca.

- Data hasil pembacaan disimpan dalam variabel **data**.


3. **Menampilkan Dimensi Data**

- *nrow(data)* menghitung jumlah baris (observasi).

- *ncol(data)* menghitung jumlah kolom (variabel).

- *cat()* digunakan untuk mencetak informasi ke konsol.


## Data Cleaning

**Program ini dibuat untuk**:

1. Membersihkan dan mempersiapkan data penjualan dari file Excel agar siap dianalisis. Proses ini melibatkan:

- standarisasi tanggal,

- konversi kolom numerik,

- perhitungan ulang nilai total,

- penanganan data tidak valid,

- penghapusan data kosong.

```{r,   message=TRUE, warning=TRUE, echo=TRUE}
library(readxl)
library(dplyr)
library(stringr)
library(lubridate)
library(writexl)

# Load data
df <- read_excel("data_penjualan_kuartal1_full.append.xlsx")

# a. Standarkan format tanggal
df <- df %>% mutate(Tanggal = format(dmy(Tanggal), "%Y-%m-%d"))

# b. Ubah Harga dan Jumlah ke numerik
# Harga: hapus karakter non-digit
df$Harga <- as.numeric(gsub("[^0-9]", "", df$Harga))

# Jumlah: ubah teks angka ke numerik
text_to_number <- c("satu"=1, "dua"=2, "tiga"=3, "empat"=4, "lima"=5,
                    "enam"=6, "tujuh"=7, "delapan"=8, "sembilan"=9, "sepuluh"=10)

df$Jumlah <- ifelse(df$Jumlah %in% names(text_to_number),
                    text_to_number[df$Jumlah],
                    df$Jumlah)
df$Jumlah <- as.numeric(df$Jumlah)

# c. Hitung ulang kolom Total
df <- df %>% mutate(Total = Harga * Jumlah)

# d. Ganti nilai tidak valid dengan NA
df[df == "-" | df == "Rp" | df == "_anonymous_"] <- NA

# e. Hapus baris dengan Produk kosong atau "-"
df <- df %>% filter(!Produk %in% c("-", NA, ""))

# Simpan hasil
write_xlsx(df, "data_penjualan_bersih.xlsx")

# Tampilkan beberapa baris pertama setelah setiap langkah

head(df)

```

**Penjelasan Kode**:

1. **Library yang Digunakan**

- *readxl* : Membaca file Excel.

- *dplyr* : Memudahkan manipulasi data (filter, mutate, dll).

- *stringr* : Pemrosesan string (tidak dipakai eksplisit di sini, tapi berguna).

- *lubridate* : Untuk parsing dan formatting tanggal.

- *writexl* : Untuk menyimpan data ke Excel kembali.


2. **Membaca Data**

- Membaca seluruh isi file Excel ke dalam variabel *df*.


3. **Standarisasi Format Tanggal**

- Mengubah kolom **Tanggal** ke format *YYYY-MM-D*D setelah memastikan bahwa urutan tanggalnya *day-month-year*.


4. **Konversi Harga dan Jumlah**

- Menghapus semua karakter non-angka (misalnya simbol *Rp*, titik, koma) dan ubah menjadi numerik.

- Konversi teks angka (seperti **"lima"**) menjadi angka (**5**).

- Kemudian *as.numeric()* untuk memastikan semuanya bertipe numerik.


5. **Hitung Kolom Total**

- Membuat ulang kolom **Total** berdasarkan hasil perkalian **Harga** dan **Jumlah**.


6. **Ganti Nilai Tak Valid dengan** *NA*

- Semua nilai tidak valid diganti menjadi *NA* agar bisa difilter atau dianalisis lebih baik.


7. **Hapus Baris dengan Produk Kosong**

- Hapus semua baris yang memiliki nilai *Produk* kosong, tanda *-*, atau *NA*.


8. **Simpan Data ke File Baru**

- Simpan hasil akhir ke file Excel baru untuk dokumentasi atau analisis lanjutan.


9. **Tampilkan Data**

- Menampilkan beberapa baris awal untuk melihat hasil akhir pembersihan data.


## Data Transformation

**Program ini dibuat untuk**:

1. Melakukan analisis ringkasan terhadap data penjualan yang telah dibersihkan sebelumnya, mencakup:

- Penjualan per kategori produk

- Jumlah transaksi per kota

- Total penjualan bulanan

```{r,   message=TRUE, warning=TRUE, echo=TRUE}
library(readxl)
library(dplyr)
library(lubridate)
library(writexl)

# Load data (asumsi data sudah dibersihkan)
df <- read_excel("data_penjualan_bersih.xlsx")

# a. Tambahkan kolom Bulan
df <- df %>% mutate(Bulan = format(ymd(Tanggal), "%Y-%m"))

# b. Hitung total penjualan per kategori produk
total_per_kategori <- df %>%
  group_by(Kategori) %>%
  summarise(`Total Penjualan` = sum(Total, na.rm = TRUE))

# c. Hitung jumlah transaksi dari setiap kota
transaksi_per_kota <- df %>%
  group_by(Kota) %>%
  summarise(`Jumlah Transaksi` = n())

# d. Ringkasan jumlah total penjualan per bulan
total_per_bulan <- df %>%
  group_by(Bulan) %>%
  summarise(`Total Penjualan Bulanan` = sum(Total, na.rm = TRUE))

# (Opsional) Simpan semua hasil ke file Excel
write_xlsx(list(
  "Penjualan per Kategori" = total_per_kategori,
  "Transaksi per Kota" = transaksi_per_kota,
  "Penjualan per Bulan" = total_per_bulan
), "ringkasan_penjualan.xlsx")

cat("Total Penjualan per Kategori:\n")
print(total_per_kategori)

cat("\nJumlah Transaksi per Kota:\n")
print(transaksi_per_kota)

cat("\nTotal Penjualan per Bulan:\n")
print(total_per_bulan)

```


**Penjelasan Kode**:

1. **Tambah Kolom Bulan**

- Ekstrak bagian bulan dari kolom **Tanggal** dan simpan dalam format *YYYY-MM*. 


2. **Total Penjualan per Kategori**

- Menjumlahkan nilai *Total* untuk tiap kategori, mengabaikan *NA*.


3. **Jumlah Transaksi per Kota**

- Menghitung jumlah baris (transaksi) untuk setiap kota.


4. **Ringkasan Penjualan Bulanan**

- Menjumlahkan total penjualan per bulan.


5. **Simpan ke Excel (opsional tapi sangat berguna)**

- Menyimpan tiga tabel ringkasan ke dalam satu file Excel, tiap tabel di sheet terpisah.


6. **Cetak Hasil ke Konsol**

- Menampilkan hasil ke terminal atau konsol R.

