R Markdown
library(dplyr)
##
## 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
df_customer <- read.csv("df_customer.csv")
- Siapa pelanggan yang paling sering membeli dengan total belanja
lebih dari 5000000
df_customer %>%
filter(Total_Belanja > 5000000) %>%
count(ID_Pelanggan, name = "Frekuensi") %>%
arrange(desc(Frekuensi)) %>%
slice(1)
## ID_Pelanggan Frekuensi
## 1 ID00007 7
- Ada berapa banyak perempuan di kota yang berbelanja lebih dari
5x
df_customer %>%
filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota") %>%
count(ID_Pelanggan) %>%
filter(n > 5) %>%
summarise(Jumlah_Pelanggan = n())
## Jumlah_Pelanggan
## 1 0
- Siapa pelanggan yang paling sering membeli dengan penghasilan lebih
dari 5000000
df_customer %>%
filter(Penghasilan > 5000000) %>%
count(ID_Pelanggan, name = "Frekuensi") %>%
arrange(desc(Frekuensi)) %>%
slice(1)
## ID_Pelanggan Frekuensi
## 1 ID00007 9
- Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki
total belanja yang lebih dari 5000000
df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
distinct(ID_Pelanggan, Jenis_Kelamin)
## ID_Pelanggan Jenis_Kelamin
## 1 ID00067 Perempuan
## 2 ID00014 Perempuan
## 3 ID00027 Perempuan
## 4 ID00089 Laki-laki
## 5 ID00034 Perempuan
## 6 ID00013 Perempuan
## 7 ID00091 Perempuan
## 8 ID00038 Laki-laki
## 9 ID00041 Perempuan
## 10 ID00047 Perempuan
## 11 ID00095 Perempuan
## 12 ID00031 Perempuan
## 13 ID00022 Laki-laki
## 14 ID00096 Perempuan
## 15 ID00074 Laki-laki
## 16 ID00094 Perempuan
## 17 ID00016 Perempuan
## 18 ID00055 Perempuan
## 19 ID00075 Laki-laki
## 20 ID00090 Perempuan
## 21 ID00098 Perempuan
## 22 ID00048 Perempuan
## 23 ID00088 Perempuan
## 24 ID00049 Perempuan
## 25 ID00008 Perempuan
## 26 ID00072 Perempuan
## 27 ID00058 Perempuan
## 28 ID00026 Laki-laki
## 29 ID00052 Perempuan
## 30 ID00073 Perempuan
## 31 ID00006 Laki-laki
## 32 ID00093 Perempuan
## 33 ID00057 Perempuan
## 34 ID00089 Perempuan
## 35 ID00066 Perempuan
## 36 ID00063 Laki-laki
## 37 ID00097 Perempuan
## 38 ID00013 Laki-laki
- Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki
total belanja lebih dari 5000000
df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
distinct(ID_Pelanggan, Penghasilan)
## ID_Pelanggan Penghasilan
## 1 ID00067 7773498
## 2 ID00014 6776730
## 3 ID00027 8108645
## 4 ID00089 9032981
## 5 ID00034 5616450
## 6 ID00013 4481204
## 7 ID00091 6128487
## 8 ID00038 5947963
## 9 ID00041 9231091
## 10 ID00047 5940612
## 11 ID00095 8032910
## 12 ID00031 7822419
## 13 ID00022 9331982
## 14 ID00096 7082568
## 15 ID00074 9657061
## 16 ID00094 7651846
## 17 ID00016 5575699
## 18 ID00055 8635642
## 19 ID00075 5809025
## 20 ID00090 6005712
## 21 ID00098 4849165
## 22 ID00048 4626369
## 23 ID00088 5455465
## 24 ID00067 6467267
## 25 ID00049 3157783
## 26 ID00055 6093467
## 27 ID00008 6193172
## 28 ID00072 9024791
## 29 ID00058 9310352
## 30 ID00026 8141032
## 31 ID00052 6499451
## 32 ID00026 10832415
## 33 ID00090 11664452
## 34 ID00073 6455085
## 35 ID00014 6571179
## 36 ID00006 9498495
## 37 ID00091 5671820
## 38 ID00094 3726214
## 39 ID00031 6533837
## 40 ID00093 6856664
## 41 ID00057 7212261
## 42 ID00089 6928182
## 43 ID00066 3373098
## 44 ID00008 6940985
## 45 ID00063 6915574
## 46 ID00097 7028460
## 47 ID00013 9810087