df_customer <- read.csv("df_customer.csv")
q1 <- df_customer[df_customer$Total_Belanja > 5000000,]
q1 <- sort(table(q1$ID_Pelanggan), decreasing = TRUE)
head(q1)
##
## ID00007 ID00025 ID00026 ID00089 ID00053 ID00079
## 7 7 6 6 5 5
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
# 1. Pelanggan yang paling sering membeli dengan total belanja > 5.000.000
q11 <- df_customer %>%
filter(Total_Belanja > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
slice_head(n=6)
q11
## ID_Pelanggan n
## 1 ID00007 7
## 2 ID00025 7
## 3 ID00026 6
## 4 ID00089 6
## 5 ID00053 5
## 6 ID00079 5
# 2. Ada berapa banyak perempuan di kota yang berbelanja lebih dari 5x
q2 <- subset(df_customer, Jenis_Kelamin == "Perempuan" & Tempat_Tinggal == "Kota")
q2_count <- table(q2$ID_Pelanggan)
q2_count <- data.frame(q2_count)
q2_count
## Var1 Freq
## 1 ID00001 1
## 2 ID00002 3
## 3 ID00004 2
## 4 ID00005 1
## 5 ID00006 2
## 6 ID00007 5
## 7 ID00009 1
## 8 ID00010 1
## 9 ID00011 1
## 10 ID00012 1
## 11 ID00013 1
## 12 ID00016 1
## 13 ID00017 1
## 14 ID00021 1
## 15 ID00023 3
## 16 ID00024 3
## 17 ID00025 4
## 18 ID00026 4
## 19 ID00030 2
## 20 ID00031 2
## 21 ID00032 3
## 22 ID00034 1
## 23 ID00035 1
## 24 ID00036 3
## 25 ID00037 3
## 26 ID00038 1
## 27 ID00039 2
## 28 ID00040 2
## 29 ID00041 1
## 30 ID00042 2
## 31 ID00043 1
## 32 ID00044 1
## 33 ID00045 3
## 34 ID00046 3
## 35 ID00048 1
## 36 ID00050 2
## 37 ID00051 2
## 38 ID00053 4
## 39 ID00054 2
## 40 ID00056 1
## 41 ID00057 2
## 42 ID00058 1
## 43 ID00060 2
## 44 ID00063 3
## 45 ID00066 1
## 46 ID00067 1
## 47 ID00069 2
## 48 ID00070 1
## 49 ID00071 2
## 50 ID00072 1
## 51 ID00074 1
## 52 ID00075 1
## 53 ID00076 2
## 54 ID00079 2
## 55 ID00082 1
## 56 ID00083 1
## 57 ID00084 1
## 58 ID00085 3
## 59 ID00086 1
## 60 ID00087 3
## 61 ID00089 1
## 62 ID00090 2
## 63 ID00091 2
## 64 ID00092 1
## 65 ID00093 1
## 66 ID00096 1
## 67 ID00099 1
q22 <- df_customer %>%
filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota") %>%
count(ID_Pelanggan) %>%
filter(n > 5) %>%
summarise(jumlah = n())
q22
## jumlah
## 1 0
# 3. Pelanggan yang paling sering membeli dengan penghasilan > 5.000.000
q3 <- df_customer[df_customer$Penghasilan > 5000000, ]
q3 <- sort(table(q3$ID_Pelanggan), decreasing = TRUE)
head(q3, 1)
##
## ID00007
## 9
q33 <- df_customer %>%
filter(Penghasilan > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
slice_head(n = 1)
q33
## ID_Pelanggan n
## 1 ID00007 9
# 4. Berjenis kelamin apa pelanggan yang tinggal di desa dengan total belanja > 5.000.000
q4 <- subset(df_customer, Tempat_Tinggal == "Desa" & Total_Belanja > 5000000)
table(q4$Jenis_Kelamin)
##
## Laki-laki Perempuan
## 10 37
q44 <- df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
count(Jenis_Kelamin)
q44
## Jenis_Kelamin n
## 1 Laki-laki 10
## 2 Perempuan 37
# 5. Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja > 5.000.000
q5 <- subset(df_customer, Tempat_Tinggal == "Desa" & Total_Belanja > 5000000)
head(q5[, c("ID_Pelanggan", "Penghasilan")], 5)
## ID_Pelanggan Penghasilan
## 5 ID00067 7773498
## 9 ID00014 6776730
## 43 ID00027 8108645
## 46 ID00089 9032981
## 47 ID00034 5616450
q55 <- df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
select(ID_Pelanggan, Penghasilan) %>%
head(5)
q55
## ID_Pelanggan Penghasilan
## 1 ID00067 7773498
## 2 ID00014 6776730
## 3 ID00027 8108645
## 4 ID00089 9032981
## 5 ID00034 5616450