Bagaimana cara menampilkan 6 baris pertama dari data_mahasiswa
data_mahasiswa <- read.csv("df_mahasiswa.csv")
head(data_mahasiswa)## X id_mahasiswa jenis_kelamin jam_belajar_per_hari frekuensi_login_lms
## 1 1 MHS001 L 4 1
## 2 2 MHS002 P 4 2
## 3 3 MHS003 P 2 6
## 4 4 MHS004 P 5 3
## 5 5 MHS005 L 3 2
## 6 6 MHS006 L 3 7
## motivasi_belajar ipk
## 1 82 3.12
## 2 73 3.45
## 3 71 3.07
## 4 98 3.43
## 5 81 2.83
## 6 61 3.10Bagaimana cara mengecek struktur dan tipe data_mahasiswa?
str(data_mahasiswa)## 'data.frame': 55 obs. of 7 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ id_mahasiswa : chr "MHS001" "MHS002" "MHS003" "MHS004" ...
## $ jenis_kelamin : chr "L" "P" "P" "P" ...
## $ jam_belajar_per_hari: int 4 4 2 5 3 3 1 3 2 1 ...
## $ frekuensi_login_lms : int 1 2 6 3 2 7 7 4 6 5 ...
## $ motivasi_belajar : int 82 73 71 98 81 61 44 69 44 46 ...
## $ ipk : num 3.12 3.45 3.07 3.43 2.83 3.1 2.98 3.08 2.82 2.93 ...Apakah ada missing value
colSums(is.na(data_mahasiswa))## X id_mahasiswa jenis_kelamin
## 0 0 0
## jam_belajar_per_hari frekuensi_login_lms motivasi_belajar
## 0 0 0
## ipk
## 0Ada berapa laki-laki dan perempuan di kelas ini?
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, uniontable(data_mahasiswa$jenis_kelamin)##
## L P
## 32 23Jenis kelamin apakah yang memiliki rata-rata IPK tertinggi
aggregate(ipk ~ jenis_kelamin, data = data_mahasiswa, mean)## jenis_kelamin ipk
## 1 L 3.158125
## 2 P 3.176957Berapakah id_mahasiswa yang memiliki motivasi belajar tertinggi
data_mahasiswa[order(-data_mahasiswa$motivasi_belajar), c("id_mahasiswa", "motivasi_belajar")] |> head(1)## id_mahasiswa motivasi_belajar
## 54 MHS054 100Apakah mahasiswa dengan frekuensi login LMS tertinggi juga memiliki IPK tinggi? Asumsi IPK Tinggi > 3.5
data_mahasiswa[order(-data_mahasiswa$frekuensi_login_lms), c("id_mahasiswa", "frekuensi_login_lms", "ipk") ] |> head()## id_mahasiswa frekuensi_login_lms ipk
## 6 MHS006 7 3.10
## 7 MHS007 7 2.98
## 17 MHS017 7 3.06
## 18 MHS018 7 3.89
## 22 MHS022 7 3.69
## 31 MHS031 7 3.22Seharusnya iya dan tidak
Apakah mahasiswa dengan jam belajar ≥ 4 jam per hari memiliki IPK lebih tinggi dibandingkan yang kurang dari 4 jam?
data_mahasiswa$kategori_jam_belajar_per_hari <- cut(data_mahasiswa$jam_belajar_per_hari,
breaks = c(-Inf, 3, Inf),
labels = c( "siswa belajar kurang 4 jam", "siswa belajar 4jam lebih"))
table(data_mahasiswa$kategori_jam_belajar_per_hari)##
## siswa belajar kurang 4 jam siswa belajar 4jam lebih
## 28 27aggregate(ipk ~ data_mahasiswa$kategori_jam_belajar_per_hari, data = data_mahasiswa, mean)## data_mahasiswa$kategori_jam_belajar_per_hari ipk
## 1 siswa belajar kurang 4 jam 2.935357
## 2 siswa belajar 4jam lebih 3.405185Siapa mahasiswa dengan IPK tertinggi dan berapa nilai motivasinya? Jawablah dengan menyebutkan ID_Mahasiswanya
data_mahasiswa[order(-data_mahasiswa$ipk), c("id_mahasiswa", "ipk", "motivasi_belajar")] |> head(1)## id_mahasiswa ipk motivasi_belajar
## 18 MHS018 3.89 92Hitung jumlah laki-laki dan perempuan yang memiliki ipk lebih dari 3,5 dan motivasi belajar lebih dari 85! Jawablah dengan menyebutkan L=? dan P=?
pintar <- data_mahasiswa %>%
filter(ipk >= 3.5) %>%
filter(motivasi_belajar >= 85) %>%
select(jenis_kelamin, motivasi_belajar, ipk) %>%
group_by(jenis_kelamin) %>%
summarise(sum = n())
pintar## # A tibble: 2 × 2
## jenis_kelamin sum
## <chr> <int>
## 1 L 4
## 2 P 1