data_mahasiswa <- read.csv("df_mahasiswa.csv")
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
## 7 7 MHS007 P 1 7
## 8 8 MHS008 L 3 4
## 9 9 MHS009 P 2 6
## 10 10 MHS010 L 1 5
## 11 11 MHS011 L 1 1
## 12 12 MHS012 P 1 2
## 13 13 MHS013 P 2 6
## 14 14 MHS014 L 4 2
## 15 15 MHS015 L 1 2
## 16 16 MHS016 L 5 1
## 17 17 MHS017 L 2 7
## 18 18 MHS018 L 5 7
## 19 19 MHS019 L 5 2
## 20 20 MHS020 L 3 1
## 21 21 MHS021 L 1 6
## 22 22 MHS022 P 4 7
## 23 23 MHS023 L 4 4
## 24 24 MHS024 P 5 4
## 25 25 MHS025 L 3 1
## 26 26 MHS026 L 4 6
## 27 27 MHS027 L 2 3
## 28 28 MHS028 P 2 6
## 29 29 MHS029 L 2 2
## 30 30 MHS030 P 5 3
## 31 31 MHS031 P 2 7
## 32 32 MHS032 L 1 2
## 33 33 MHS033 P 1 7
## 34 34 MHS034 P 5 4
## 35 35 MHS035 L 4 1
## 36 36 MHS036 P 3 1
## 37 37 MHS037 L 4 6
## 38 38 MHS038 L 4 1
## 39 39 MHS039 P 1 1
## 40 40 MHS040 L 4 2
## 41 41 MHS041 L 5 7
## 42 42 MHS042 P 4 6
## 43 43 MHS043 P 4 5
## 44 44 MHS044 P 2 7
## 45 45 MHS045 P 5 2
## 46 46 MHS046 L 1 3
## 47 47 MHS047 L 4 5
## 48 48 MHS048 L 5 4
## 49 49 MHS049 P 4 5
## 50 50 MHS050 P 2 4
## 51 51 MHS051 L 4 6
## 52 52 MHS052 L 4 4
## 53 53 MHS053 L 3 4
## 54 54 MHS054 L 5 4
## 55 55 MHS055 P 2 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
## 7 44 2.98
## 8 69 3.08
## 9 44 2.82
## 10 46 2.93
## 11 56 2.64
## 12 35 2.71
## 13 59 3.11
## 14 81 3.31
## 15 44 2.90
## 16 90 3.46
## 17 52 3.06
## 18 92 3.89
## 19 84 3.09
## 20 73 2.73
## 21 47 2.96
## 22 72 3.69
## 23 83 3.54
## 24 81 3.61
## 25 70 2.65
## 26 89 3.32
## 27 59 2.94
## 28 53 3.14
## 29 48 2.89
## 30 87 3.40
## 31 71 3.22
## 32 39 2.66
## 33 46 3.11
## 34 87 3.56
## 35 91 3.13
## 36 66 2.95
## 37 68 3.67
## 38 90 3.29
## 39 52 2.52
## 40 80 3.17
## 41 90 3.73
## 42 73 3.05
## 43 91 3.29
## 44 63 3.15
## 45 96 3.33
## 46 43 2.49
## 47 82 3.13
## 48 92 3.70
## 49 73 3.22
## 50 57 3.05
## 51 92 3.65
## 52 88 3.30
## 53 80 3.29
## 54 100 3.41
## 55 71 3.21# 1. Bagaimana cara menampilkan 6 baris pertama dari data_mahasiswa.
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# 2. Bagaimana 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 ...# 3. 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
## 0# 4. Ada berapa laki-laki dan perempuan di kelas ini?
table(data_mahasiswa$jenis_kelamin)##
## L P
## 32 23library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# 5. Jenis kelamin apakah yang memiliki rata-rata IPK tertinggi?
q5 <- data_mahasiswa %>%
select(jenis_kelamin, ipk) %>%
head (1)
q5## jenis_kelamin ipk
## 1 L 3.12# 6. Berapakah id_mahasiswa yang memiliki motivasi belajar tertinggi?
q6 <- data_mahasiswa[order(-data_mahasiswa$motivasi_belajar), c("id_mahasiswa","motivasi_belajar")]|> head(1)
q6## id_mahasiswa motivasi_belajar
## 54 MHS054 100# 7. Apakah mahasiswa dengan frekuensi login LMS tertinggi juga memiliki IPK tinggi? Asumsi IPK Tinggi > 3.5
data_mahasiswa %>%
filter(frekuensi_login_lms == max(frekuensi_login_lms, na.rm = TRUE)) %>%
select(id_mahasiswa, frekuensi_login_lms, ipk)## id_mahasiswa frekuensi_login_lms ipk
## 1 MHS006 7 3.10
## 2 MHS007 7 2.98
## 3 MHS017 7 3.06
## 4 MHS018 7 3.89
## 5 MHS022 7 3.69
## 6 MHS031 7 3.22
## 7 MHS033 7 3.11
## 8 MHS041 7 3.73
## 9 MHS044 7 3.15
## 10 MHS055 7 3.21# 8. Apakah mahasiswa dengan jam belajar ≥ 4 jam per hari memiliki IPK lebih tinggi dibandingkan yang kurang dari 4 jam?
data_mahasiswa %>%
mutate(jam_belajar_per_hari = ifelse(jam_belajar_per_hari >= 4, ">=4 jam", "<4 jam")) %>%
group_by(jam_belajar_per_hari)%>%
summarise(ipk = mean(ipk, na.rm=TRUE))## # A tibble: 2 × 2
## jam_belajar_per_hari ipk
## <chr> <dbl>
## 1 <4 jam 2.94
## 2 >=4 jam 3.41# 9. Siapa mahasiswa dengan IPK tertinggi dan berapa nilai motivasinya? Jawablah dengan menyebutkan ID_Mahasiswanya.
q9 <- data_mahasiswa %>%
arrange(desc(ipk))%>%
slice(1)%>%
select(id_mahasiswa, ipk, motivasi_belajar)
q9## id_mahasiswa ipk motivasi_belajar
## 1 MHS018 3.89 92# 10. 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=?
q10 <-data_mahasiswa%>%
filter(ipk > 3.5, motivasi_belajar > 85)%>%
group_by(jenis_kelamin)%>%
summarise(jumlah=n())
q10## # A tibble: 2 × 2
## jenis_kelamin jumlah
## <chr> <int>
## 1 L 4
## 2 P 1`