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_mahasiswa <- read.csv ("df_mahasiswa.csv")
df_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. menampilkan 6 baris pertama dari data_mahasiswa
data_mahasiswa <- head(df_mahasiswa)
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. mengecek struktur dan tipe data mahasiswa
struktur <- str(data_mahasiswa)
## 'data.frame': 6 obs. of 7 variables:
## $ X : int 1 2 3 4 5 6
## $ 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
## $ frekuensi_login_lms : int 1 2 6 3 2 7
## $ motivasi_belajar : int 82 73 71 98 81 61
## $ ipk : num 3.12 3.45 3.07 3.43 2.83 3.1
struktur
## NULL
#3. mencari 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. menghitung banyaknya mahasiswa laki-laki dan perempuan
jenis_kelamin <- count(data_mahasiswa, jenis_kelamin)
jenis_kelamin
## jenis_kelamin n
## 1 L 3
## 2 P 3
#5. mencari jenis kelamin apa yang memiliki rata-rata ipk tertinggi
aggregate(ipk ~ jenis_kelamin, data = data_mahasiswa, mean)
## jenis_kelamin ipk
## 1 L 3.016667
## 2 P 3.316667
#6. id_mahasiswa yang memiliki motivasi belajar tertinggi
data_mahasiswa [order(-data_mahasiswa$motivasi_belajar), c("id_mahasiswa", "motivasi_belajar")] |> head(5)
## id_mahasiswa motivasi_belajar
## 4 MHS004 98
## 1 MHS001 82
## 5 MHS005 81
## 2 MHS002 73
## 3 MHS003 71
#7. Apakah mahasiswa dengan frekuensi login LMS tertinggi juga memiliki IPK tinggi? Asumsi IPK Tinggi > 3.5
data_mahasiswa [order(-data_mahasiswa$frekuensi_login_lms), c("id_mahasiswa", "frekuensi_login_lms", "ipk")] |> head(5)
## id_mahasiswa frekuensi_login_lms ipk
## 6 MHS006 7 3.10
## 3 MHS003 6 3.07
## 4 MHS004 3 3.43
## 2 MHS002 2 3.45
## 5 MHS005 2 2.83
#8. Apakah mahasiswa dengan jam belajar ≥ 4 jam per hari memiliki IPK lebih tinggi dibandingkan yang kurang dari 4 jam?
data_mahasiswa$waktu_belajar <- cut(
data_mahasiswa$jam_belajar_per_hari,
breaks = c(-Inf, 4, Inf),
labels = c("kurang dari 4 jam", "4 jam keatas"))
rata_ipk <- data_mahasiswa %>%
group_by(waktu_belajar) %>%
summarise(rata_rata_ipk = mean(ipk))
rata_ipk
## # A tibble: 2 × 2
## waktu_belajar rata_rata_ipk
## <fct> <dbl>
## 1 kurang dari 4 jam 3.11
## 2 4 jam keatas 3.43
#9. Siapa mahasiswa dengan IPK tertinggi dan berapa nilai motivasinya? Jawablah dengan menyebutkan ID_Mahasiswanya
data_mahasiswa[order(-data_mahasiswa$motivasi_belajar), c("id_mahasiswa", "ipk", "motivasi_belajar")] |> head(1)
## id_mahasiswa ipk motivasi_belajar
## 4 MHS004 3.43 98
#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=?
data_syarat <- df_mahasiswa %>%
filter(ipk > 3.5, motivasi_belajar > 85)
data_syarat
## X id_mahasiswa jenis_kelamin jam_belajar_per_hari frekuensi_login_lms
## 1 18 MHS018 L 5 7
## 2 34 MHS034 P 5 4
## 3 41 MHS041 L 5 7
## 4 48 MHS048 L 5 4
## 5 51 MHS051 L 4 6
## motivasi_belajar ipk
## 1 92 3.89
## 2 87 3.56
## 3 90 3.73
## 4 92 3.70
## 5 92 3.65
hasil <- data_syarat %>%
count(jenis_kelamin)
hasil
## jenis_kelamin n
## 1 L 4
## 2 P 1