R Markdown

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 3.10

#Apakah terdapat 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 
##                    0
colSums(is.na(airquality))
##   Ozone Solar.R    Wind    Temp   Month     Day 
##      37       7       0       0       0       0
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

#jumlah perempuan dan laki-laki di kelas

perempuan <- data_mahasiswa %>%
  filter (jenis_kelamin == "P") %>%
  summarise(jumlah = n())
head(perempuan)
##   jumlah
## 1     23
laki <- data_mahasiswa %>%
  filter (jenis_kelamin == "L") %>%
  summarise(jumlah = n())
head(laki)
##   jumlah
## 1     32

#Jenis kelamin apakah yang memiliki rata-rata IPK tertinggi?

ipk_tertinggi <- max(data_mahasiswa$ipk)
head (ipk_tertinggi)
## [1] 3.89
ipk <- select (data_mahasiswa, ipk, jenis_kelamin)
head (ipk)
##    ipk jenis_kelamin
## 1 3.12             L
## 2 3.45             P
## 3 3.07             P
## 4 3.43             P
## 5 2.83             L
## 6 3.10             L

#Jenis kelamin apakah yang memiliki rata-rata IPK tertinggi? *

max(data_mahasiswa$ipk)
## [1] 3.89
siapa <- data_mahasiswa %>%
  filter (ipk == "3.89") %>%
  count (jenis_kelamin , sort = TRUE)
head (siapa)
##   jenis_kelamin n
## 1             L 1

#Berapakah id_mahasiswa yang memiliki motivasi belajar tertinggi?

max(data_mahasiswa$motivasi_belajar)
## [1] 100
motivasi <- data_mahasiswa %>%
  filter (motivasi_belajar == "100") %>%
  count (id_mahasiswa , sort = TRUE)
head(motivasi)
##   id_mahasiswa n
## 1       MHS054 1

Apakah mahasiswa dengan frekuensi login LMS tertinggi juga memiliki IPK tinggi? Asumsi IPK Tinggi > 3.5

max(data_mahasiswa$frekuensi_login_lms)
## [1] 7
ipkn <- data_mahasiswa %>%
  filter (frekuensi_login_lms == "7") %>%
  count (ipk , sotr = TRUE)
ipkn
##     ipk sotr n
## 1  2.98 TRUE 1
## 2  3.06 TRUE 1
## 3  3.10 TRUE 1
## 4  3.11 TRUE 1
## 5  3.15 TRUE 1
## 6  3.21 TRUE 1
## 7  3.22 TRUE 1
## 8  3.69 TRUE 1
## 9  3.73 TRUE 1
## 10 3.89 TRUE 1

#Siapa mahasiswa dengan IPK tertinggi dan berapa nilai motivasinya? Jawablah dengan menyebutkan ID_Mahasiswanya

siapa <- data_mahasiswa %>%
  filter (ipk == "3.89") %>%
  count (id_mahasiswa , sort = TRUE)
head (siapa)
##   id_mahasiswa n
## 1       MHS018 1

#Hitung jumlah laki-laki dan perempuan yang memiliki ipk lebih dari 3,5 dan motivasi belajar lebih dari 85! Jawablah dengan menyebutkan L=? dan P=?

kesekian <- data_mahasiswa %>%
  filter (ipk > "3.5" , motivasi_belajar > "85") %>%
  count (jenis_kelamin , sort = TRUE)
head(kesekian)
##   jenis_kelamin n
## 1             L 4
## 2             P 1

#Apakah mahasiswa dengan jam belajar ≥ 4 jam per hari memiliki IPK lebih tinggi dibandingkan yang kurang dari 4 jam?

lbh4 <- data_mahasiswa %>%
  filter (jam_belajar_per_hari >= 4) %>%
  count (ipk , sort = TRUE)
lbh4
##     ipk n
## 1  3.13 2
## 2  3.29 2
## 3  3.05 1
## 4  3.09 1
## 5  3.12 1
## 6  3.17 1
## 7  3.22 1
## 8  3.30 1
## 9  3.31 1
## 10 3.32 1
## 11 3.33 1
## 12 3.40 1
## 13 3.41 1
## 14 3.43 1
## 15 3.45 1
## 16 3.46 1
## 17 3.54 1
## 18 3.56 1
## 19 3.61 1
## 20 3.65 1
## 21 3.67 1
## 22 3.69 1
## 23 3.70 1
## 24 3.73 1
## 25 3.89 1
krg4 <- data_mahasiswa %>%
  filter (jam_belajar_per_hari < 4) %>% 
  count (ipk , sort = TRUE)
krg4
##     ipk n
## 1  3.11 2
## 2  2.49 1
## 3  2.52 1
## 4  2.64 1
## 5  2.65 1
## 6  2.66 1
## 7  2.71 1
## 8  2.73 1
## 9  2.82 1
## 10 2.83 1
## 11 2.89 1
## 12 2.90 1
## 13 2.93 1
## 14 2.94 1
## 15 2.95 1
## 16 2.96 1
## 17 2.98 1
## 18 3.05 1
## 19 3.06 1
## 20 3.07 1
## 21 3.08 1
## 22 3.10 1
## 23 3.14 1
## 24 3.15 1
## 25 3.21 1
## 26 3.22 1
## 27 3.29 1