Profile
Profile
Cahaya Medina Semidang
I analyze data, build statistical models, and turn raw numbers into meaningful insights.
Task 1 — Multi-Formula
## Column
Penjelasan
\[{f\left(x\right)=\operatorname{x}}^2\ +\ 2x\ +\ 1\]
\[{f\left(x\right)=\operatorname{x}}^3\ -\ 3\operatorname{x}^2\ +\ 2\]
\[{f\left(x\right)=\operatorname{e}}^{(0.3x)}\]
Fungsi
compute_formula(x, formula) menghitung 4 jenis
formula: Linear f(x)=2x+3, Quadratic f(x)=x²+2x+1, Cubic f(x)=x³-3x²+2,
dan Exponential f(x)=e^(0.3x). Nested loop digunakan untuk menghitung
semua formula sekaligus untuk x = 1:20. Validasi input dilakukan dengan
pengecekan nama formula.
Visualisasi
Grafik ini menampilkan empat kurva fungsi matematika yang diplot secara bersamaan dalam satu bidang koordinat untuk nilai x = 1 hingga 20. Formula Linear ditampilkan sebagai garis lurus yang naik secara konstan. Formula Quadratic membentuk kurva parabola yang terbuka ke atas. Pada nilai-nilai x < 10, kurva ini masih dekat dengan linear, namun mulai mempercepat pertumbuhannya secara signifikan ketika x melewati angka 10. Formula Cubic menunjukkan pada nilai x (1–3), kurva ini sempat memiliki nilai yang lebih rendah bahkan negatif karena pengaruh suku −3x², namun setelah melewati titik belok sekitar x = 3–4, kurva kubik melaju dengan sangat cepat dan melampaui semua formula lainnya. Formula Exponential menunjukkan kurva yang tidak pernah melambat; mencerminkan sifat khas fungsi eksponensial. Secara keseluruhan, grafik ini memperlihatkan bahwa formula kubik mendominasi pada nilai x besar, sementara formula linear memiliki pertumbuhan paling lambat dan paling stabil.
Task 2 — Sales Simulation
## Column
Pendahuluan
PENDAHULUAN
Task 2 bertujuan mensimulasikan sistem penjualan multi-salesperson
menggunakan konsep nested function — yaitu fungsi di dalam fungsi.
Fungsi utama simulate_sales(n_salesperson, days) mengandung
dua fungsi di dalamnya:
calc_cumulative()
Menghitung akumulasi penjualan secara bertahap
get_discount()
Menentukan besaran diskon secara kondisional berdasarkan nilai penjualan.
Logika diskon yang diterapkan: penjualan senilai ≥ 5.000
mendapat diskon 20%, ≥ 3.000 mendapat 15%,
≥ 1.000 mendapat 10%, dan di bawah 1.000 hanya
mendapat diskon 5%. Struktur perulangan dalam task ini
menggunakan nested loop: loop luar mengiterasi setiap salesperson (1
hingga 5), sementara loop dalam mengiterasi setiap hari dalam periode
simulasi (1 hingga 10 hari). Untuk setiap kombinasi salesperson-hari,
dihasilkan satu nilai sales_amount secara acak, kemudian
diskon dihitung secara otomatis, dan net_sales diperoleh
dari hasil pengurangan diskon tersebut.
Dataset
Cumulative Net Sales per Salesperson
Interpretasi
Grafik garis ini menampilkan akumulasi penjualan bersih (setelah diskon)
dari masing-masing 5 salesperson selama 10 hari simulasi.
Summary Statistics per Salesperson
Interpretasi
Tabel ini merangkum performa keseluruhan tiap salesperson dalam satu
periode 10 hari. Kolom Total_Sales menunjukkan total
penjualan, Avg_Sales adalah rata-rata penjualan per hari,
Avg_Discount adalah rata-rata diskon yang diterima, dan
Cumulative_Net adalah total pendapatan setelah diskon.
Avg_Discount lebih tinggi belum
tentu lebih baik, karena diskon tinggi berarti mereka sering berhasil
menjual di atas Rp 3.000–5.000 (yang memicu diskon besar). Perbandingan
antara Total_Sales dan Cumulative_Net
mengindikasikan seberapa besar nilai yang “hilang” akibat diskon.
Task 3 — Performance Categorization
## Column
Pendahuluan
PENDAHULUAN
Task 3 bertujuan membangun fungsi categorize_performance()
yang mengklasifikasikan setiap nilai penjualan ke dalam salah satu dari
lima kategori performa menggunakan struktur if-else
berlapis di dalam sebuah for loop. Lima kategori tersebut
adalah:
Penjualan ≥ 6.000
Penjualan ≥ 4.500
Penjualan ≥ 3.000
Penjualan ≥ 1.500
Penjualan < 1.500
Fungsi ini bekerja dengan cara mengiterasi setiap elemen dalam vektor
sales_amount satu per satu menggunakan
for loop, kemudian menetapkan label kategori berdasarkan
serangkaian kondisi yang diperiksa secara berurutan dari nilai tertinggi
ke terendah.
Dataset
Bar Chart
Bar chart ini menampilkan frekuensi tiap kategori performa dari 50 total transaksi (5 salesperson × 10 hari). Kategori “Execellent” dan “Very Good” mendominasi distribusi. Kategori “Average” relatif lebih sedikit.
Pie Chart
Pie chart melengkapi bar chart dengan menunjukkan komposisi persentase dalam format lingkaran. Visualisasi ini mempermudah pembacaan proporsi relatif antar kategori secara intuitif. Proporsi kategori “Excellent” dan “Very Good” jika digabungkan berada diatas 50%, artinya mayoritas transaksi dalam simulasi ini berada di level performa menengah ke atas.
Task 4 — MultiCompany Dataset
## Column
Pendahuluan
PENDAHULUAN
Task 4 bertujuan menghasilkan dataset simulasi skala besar yang merepresentasikan data karyawan dari beberapa perusahaan sekaligus. Fungsi generate_full_dataset() menggunakan nested loop dua tingkat:
Mengiterasi setiap perusahaan (Company_A hingga Company_G)
Mengiterasi setiap karyawan di perusahaan tersebut
Untuk setiap karyawan, fungsi ini membangkitkan secara acak nilai
salary, department (dari enam pilihan
departemen), dan performance_score. Kemudian diterapkan
conditional logic yang realistis: karyawan dengan
performance_score ≥ 80 akan mendapatkan
KPI_score di rentang 85–100 (mencerminkan penghargaan atas
kinerja tinggi), sementara karyawan dengan performa lebih rendah
mendapat KPI di rentang 40–84.
Dataset
Summary per Perusahaan
Tabel ini merangkum untuk masing-masing dari 7 perusahaan: jumlah karyawan, rata-rata gaji, rata-rata performance score, KPI score tertinggi, dan jumlah top performers (KPI > 90). Karena setiap perusahaan memiliki jumlah karyawan yang sama (200), perbedaan pada kolom lainnya murni mencerminkan variasi acak dalam simulasi. Perusahaan dengan
Avg_Performance tertinggi, yaitu company D,
company F, company E, cenderung juga memiliki
lebih banyak top performers, karena conditional logic dalam fungsi
generator memberikan KPI tinggi kepada karyawan dengan performance ≥ 80.
Rata-rata Gaji per Perusahaan
Bar chart ini membandingkan rata-rata gaji antar 7 perusahaan. Dengan
company A memiliki rata-rata gaji tertinggi dan
company E dan company B memiliki rata-rata
terendah. meskipun demikian, rata-rata gaji antar perusahaan tidak
memiliki perbedaan yang jauh.
Performance Score vs KPI Score
Interpretasi
Terlihat dengan jelas adanya dua bagian titik yang terpisah secara
vertikal: bagian atas (KPI 85–100) yang terkonsentrasi di karyawan
dengan performance_score ≥ 80, dan bagian bawah (KPI 40–84) yang
tersebar di seluruh rentang performance score. Pola ini persis
mencerminkan conditional logic dalam fungsi
generate_full_dataset() — karyawan dengan performa ≥ 80
mendapat KPI yang jauh lebih tinggi.
Task 5 — Monte Carlo π
## Column
Penjelasan
\[3.141593\]
\[0.005673\]
\[6.17%\]
Visualisasi ini menampilkan 3.000 titik acak yang dilempar ke dalam kotak koordinat [-1, 1] × [-1, 1]. Titik berwarna hijau menandakan titik yang jatuh di dalam lingkaran unit (jarak dari pusat ≤ 1), sedangkan titik merah berada di luar lingkaran. Secara visual terlihat bahwa titik-titik hijau membentuk pola lingkaran yang terpola di tengah, sementara titik merah mengisi sudut-sudut kotak. Rasio antara jumlah titik hijau terhadap total titik yang dikalikan 4 menghasilkan estimasi π. Dengan 50.000 titik (walaupun hanya 3.000 yang ditampilkan), estimasi π yang dihasilkan sangat dekat dengan nilai π sesungguhnya (3,14159…).
Konvergensi Estimasi π (per iterasi)
Pada jumlah titik yang sedikit (n < 1.000), estimasi π sangat bervariasi dan tidak stabil, garis berfluktuasi jauh di atas dan di bawah garis merah putus-putus yang menandakan nilai π sesungguhnya. Namun seiring bertambahnya n, fluktuasi semakin mengecil dan garis semakin mendekati nilai π = 3,14159. Grafik ini secara visual membuktikan Hukum Bilangan Besar (Law of Large Numbers): semakin besar sampel, semakin estimasi mendekati nilai populasi sesungguhnya.
Task 6 — Data Transformation
## Column
Pendahuluan
PENDAHULUAN
Task 6 bertujuan menerapkan dua teknik transformasi data yang paling umum digunakan dalam machine learning dan analisis statistik, serta membuat fitur-fitur baru yang lebih informatif melalui feature engineering.
normalize_columns()
Menerapkan Min-Max Normalization yang mengubah skala setiap kolom
numerik menjadi rentang [0, 1] menggunakan formula
(x − min) / (max − min)
z_score()
Menerapkan Standardisasi Z-Score yang mengubah distribusi setiap kolom
sehingga memiliki rata-rata 0 dan standar deviasi 1, menggunakan formula
(x − mean) / sd.
Kedua fungsi ini dibangun menggunakan for loop yang
mengiterasi setiap kolom numerik dalam data frame. Selain itu, task ini
juga menambahkan dua fitur baru: performance_category
(High/Medium/Low) dan salary_bracket
(Senior/Mid-level/Junior) yang mengubah variabel kontinu menjadi
variabel kategorikal yang lebih mudah diinterpretasikan.
Dataset
Distribusi Salary: Before vs After Normalization
Histogram ini membandingkan distribusi kolom salary dalam tiga kondisi secara berdampingan: Before (data asli), After Normalization (Min-Max), dan After Z-Score. Panel Before menampilkan distribusi salary asli dalam satuan Rupiah. Bentuknya relatif datar karena data disimulasikan dari distribusi uniform. Panel After Normalization menunjukkan distribusi yang sama persis namun skalanya berubah menjadi 0 hingga 1. Semua nilai terkecil menjadi 0 dan nilai terbesar menjadi 1. Bentuk histogram tidak berubah, hanya skala sumbu-x yang bergeser, membuktikan bahwa Min-Max normalization adalah transformasi linear yang mempertahankan bentuk distribusi.Panel After Z-Score menunjukkan distribusi yang kini berpusat di sekitar 0 (mean = 0) dengan nilai berkisar antara -1,7 hingga +1,7 (dalam satuan standar deviasi). Seperti normalisasi, bentuk distribusi tetap sama karena Z-Score juga merupakan transformasi linear.
Boxplot Comparison: Performance Score
Tiga boxplot berdampingan ini membandingkan distribusi
performance_score sebelum dan sesudah dua jenis
transformasi. Boxplot Before memiliki skala asli
(40–100). Median terlihat sekitar 70, menunjukkan distribusi yang
cenderung simetris. Adanya whisker yang hampir sama panjang
mengindikasikan tidak ada skewness yang signifikan. Boxplot
Normalized memiliki skala 0–1. Bentuk dan proporsi kotak persis
sama dengan Before, hanya skalanya yang berubah. Ini kembali
mengonfirmasi sifat linear dari normalisasi. Boxplot
Z-Score memiliki median di sekitar 0 dan IQR (jarak antar
kuartil) yang jauh lebih kecil dalam satuan standar deviasi.
Interpretasi penting dari Z-Score adalah: nilai +1 berarti satu standar
deviasi di atas rata-rata, nilai -1 berarti satu standar deviasi di
bawah rata-rata. Ketiga boxplot ini secara kolektif membuktikan bahwa
transformasi tidak mengubah struktur distribusi, hanya mengubah skala —
sesuai dengan prinsip statistik yang mendasarinya.
Task 7 — KPI Dashboard
## Column
Pendahuluan
PENDAHULUAN
Salah satu elemen utama task ini adalah kategorisasi KPI Tier
menggunakan for loop eksplisit yang mengiterasi setiap
baris dataset dan menetapkan tier berdasarkan nilai KPI:
Platinum
KPI ≥ 90
Gold
KPI 75 - 89
Silver
KPI 60 - 74
Bronze
KPI < 60
Bagian ini menyajikan analisis dari empat sudut pandang: analisis performa melalui scatter plot regression antara performance score dan KPI score, analisis kompensasi melalui boxplot distribusi gaji per perusahaan, analisis departemen melalui tabel rata-rata KPI per departemen, dan analisis top performers melalui bar chart jumlah karyawan berkinerja terbaik.
Dataset
Summary
Scatter Plot
Terlihat dengan jelas adanya dua bagian titik yang terpisah secara vertikal: bagian atas (KPI 85–100) yang terkonsentrasi di karyawan dengan performance_score ≥ 80, dan bagian bawah (KPI 40–84) yang tersebar di seluruh rentang performance score. Titik-titik di atas garis ini adalah karyawan yang berhasil mencapai status top performer. Pola scatter ini tidak menunjukkan korelasi linear yang mulus. Garis regresi per perusahaan menunjukkan semakin tinggi performance score, semakin tinggi pula KPI score. Namun kemiringan garis tidak terlalu curam karena ada banyak variasi acak dalam data. Garis putus-putus horizontal di KPI = 90 berfungsi sebagai referensi visual untuk top performer.
Boxplot
Tujuh boxplot berdampingan ini membandingkan distribusi salary di setiap perusahaan. Karena semua perusahaan menggunakan distribusi salary yang sama
(runif(4e6, 20e6)) dan memiliki jumlah karyawan yang
sama (200), semua boxplot memiliki bentuk yang sangat mirip. Median tiap
perusahaan diperkirakan berada di sekitar Rp 12 juta (tengah distribusi
uniform), dengan whisker atas (max) mendekati Rp 20 juta dan whisker
bawah (min) mendekati Rp 4 juta. Perbedaan kecil yang terlihat antar
perusahaan adalah variasi sampling yang normal. Grafik ini mengonfirmasi
bahwa tidak ada perusahaan yang secara sistematis memberikan gaji lebih
tinggi atau lebih rendah dari perusahaan lain dalam simulasi ini.
Top Performers per Perusahaan
Bar chart ini menampilkan jumlah karyawan dengan KPI > 90 di masing-masing perusahaan, diurutkan dari yang terbanyak ke yang tersedikit. Dengan 200 karyawan per perusahaan dan kondisi bahwa karyawan berperforma ≥ 80 mendapat KPI di rentang 85–100, proporsi yang mencapai KPI > 90 bergantung pada berapa banyak karyawan yang performance-nya ≥ 80 dan berapa banyak dari mereka yang secara acak mendapat KPI di atas 90. Perusahaan dengan bar tertinggi tidak berarti “lebih baik” secara manajemen dalam simulasi ini, itu murni hasil keberuntungan sampling. Dalam konteks bisnis nyata, grafik ini akan menjadi indikator penting untuk mengevaluasi efektivitas program pengembangan karyawan di masing-masing perusahaan.
Task 8 — Auto Report (Bonus)
## Column
Pendahuluan
PENDAHULUAN
Task 8 menunjukkan bagaimana fungsi dan loop bisa dikombinasikan untuk mengotomatiskan pembuatan laporan yang biasanya harus dibuat secara manual satu per satu.
generate_company_report(df, company_name)
Fungsi generate_company_report(df, company_name) menerima
seluruh dataset dan nama perusahaan sebagai input, kemudian secara
otomatis memfilter data, menghitung ringkasan statistik, menyusun
breakdown per departemen, dan mengidentifikasi top 5 performers terbaik
semua dalam satu pemanggilan fungsi. Fungsi ini kemudian dipanggil di
dalam sebuah for loop yang mengiterasi seluruh nama
perusahaan secara otomatis, menghasilkan laporan lengkap untuk setiap
perusahaan tanpa perlu menulis kode berulang. Dalam skenario produksi
sesungguhnya, loop ini bisa dikombinasikan dengan
rmarkdown::render() untuk menghasilkan file HTML atau PDF
terpisah untuk setiap perusahaan secara fully automated
Company_A
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 12,423,404 | 71.38 | 68.65 | 42 | 99.9 | 42 | 51 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| Engineering | 28 | Rp 14,148,443 | 74.09 | 6 |
| Finance | 46 | Rp 13,206,396 | 72.35 | 9 |
| Marketing | 38 | Rp 11,649,828 | 72.30 | 8 |
| Sales | 44 | Rp 11,868,328 | 71.10 | 10 |
| Operations | 24 | Rp 11,713,080 | 70.54 | 6 |
| HR | 20 | Rp 11,750,823 | 65.16 | 3 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E0031 | HR | 15203232 | 91.6 | 99.9 | Platinum |
| E0069 | Finance | 7158151 | 81.8 | 99.7 | Platinum |
| E0080 | Operations | 5031779 | 92.7 | 99.7 | Platinum |
| E0113 | HR | 10920119 | 81.3 | 99.7 | Platinum |
| E0048 | Sales | 12420045 | 81.8 | 99.6 | Platinum |
Company_B
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 11,600,155 | 73.02 | 69.04 | 42 | 99.8 | 42 | 57 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| HR | 29 | Rp 11,818,417 | 78.03 | 11 |
| Operations | 35 | Rp 10,393,653 | 75.77 | 10 |
| Engineering | 26 | Rp 11,420,205 | 73.85 | 4 |
| Sales | 34 | Rp 11,808,103 | 72.92 | 7 |
| Marketing | 39 | Rp 12,958,091 | 70.74 | 6 |
| Finance | 37 | Rp 11,074,396 | 68.39 | 4 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E0290 | HR | 17695953 | 92.9 | 99.8 | Platinum |
| E0278 | Operations | 4055257 | 86.7 | 99.6 | Platinum |
| E0227 | Marketing | 10473234 | 86.9 | 99.5 | Platinum |
| E0306 | HR | 15237115 | 99.7 | 99.2 | Platinum |
| E0272 | Finance | 8543407 | 81.2 | 99.1 | Platinum |
Company_C
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 11,922,103 | 72 | 68.66 | 39 | 100 | 39 | 49 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| Operations | 40 | Rp 11,989,983 | 75.03 | 11 |
| Engineering | 34 | Rp 11,314,180 | 74.45 | 7 |
| HR | 32 | Rp 11,896,074 | 72.77 | 6 |
| Sales | 27 | Rp 12,401,105 | 71.41 | 3 |
| Finance | 34 | Rp 11,482,284 | 68.83 | 8 |
| Marketing | 33 | Rp 12,552,645 | 68.83 | 4 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E0493 | Finance | 5384547 | 92.2 | 100.0 | Platinum |
| E0552 | HR | 14086250 | 86.4 | 99.8 | Platinum |
| E0582 | Operations | 14211257 | 99.1 | 99.7 | Platinum |
| E0440 | HR | 13004722 | 85.7 | 99.5 | Platinum |
| E0471 | Operations | 5959376 | 80.1 | 99.5 | Platinum |
Company_D
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 12,010,748 | 73.23 | 70.98 | 44 | 99.8 | 44 | 56 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| Operations | 33 | Rp 10,875,502 | 77.18 | 7 |
| Finance | 43 | Rp 12,013,072 | 75.51 | 11 |
| Engineering | 31 | Rp 12,502,393 | 71.67 | 9 |
| HR | 24 | Rp 12,372,509 | 71.59 | 4 |
| Marketing | 40 | Rp 11,477,033 | 71.47 | 8 |
| Sales | 29 | Rp 13,210,353 | 70.80 | 5 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E0709 | Finance | 5902590 | 90.7 | 99.8 | Platinum |
| E0798 | Finance | 6346829 | 80.6 | 99.8 | Platinum |
| E0616 | Finance | 4358411 | 81.6 | 99.6 | Platinum |
| E0728 | Engineering | 18531972 | 99.5 | 99.3 | Platinum |
| E0695 | Marketing | 8234040 | 97.4 | 99.2 | Platinum |
Company_E
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 11,559,999 | 72.38 | 70.42 | 44 | 99.7 | 44 | 50 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| Marketing | 36 | Rp 11,080,272 | 74.91 | 10 |
| Operations | 30 | Rp 10,109,466 | 74.88 | 6 |
| Engineering | 33 | Rp 12,095,594 | 74.14 | 7 |
| Sales | 32 | Rp 12,731,710 | 72.72 | 6 |
| Finance | 32 | Rp 11,932,310 | 70.56 | 7 |
| HR | 37 | Rp 11,389,805 | 67.62 | 8 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E0998 | Operations | 6407084 | 89.2 | 99.7 | Platinum |
| E0806 | Finance | 13162289 | 84.3 | 99.4 | Platinum |
| E0924 | HR | 5259910 | 94.2 | 99.0 | Platinum |
| E0913 | Operations | 6546447 | 91.7 | 98.9 | Platinum |
| E0905 | Sales | 9948234 | 89.7 | 98.7 | Platinum |
Company_F
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 11,765,272 | 74.43 | 70.68 | 61 | 99.9 | 61 | 43 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| Finance | 42 | Rp 12,526,781 | 78.21 | 17 |
| Operations | 34 | Rp 12,587,047 | 75.39 | 11 |
| HR | 29 | Rp 11,862,287 | 74.85 | 9 |
| Marketing | 32 | Rp 11,343,265 | 73.38 | 7 |
| Engineering | 37 | Rp 10,390,862 | 72.79 | 12 |
| Sales | 26 | Rp 11,827,585 | 70.26 | 5 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E1098 | Engineering | 4133454 | 89.3 | 99.9 | Platinum |
| E1136 | Finance | 4827198 | 93.1 | 99.8 | Platinum |
| E1019 | Marketing | 5305292 | 82.2 | 99.6 | Platinum |
| E1179 | Engineering | 4323536 | 80.7 | 99.3 | Platinum |
| E1167 | HR | 14149211 | 96.6 | 99.0 | Platinum |
Company_G
| Total Karyawan | Rata-rata Gaji (IDR) | Rata-rata KPI | Rata-rata Performa | Top Performers | KPI Tertinggi | Platinum Tier | Gold Tier |
|---|---|---|---|---|---|---|---|
| 200 | Rp 11,807,772 | 71.8 | 68.07 | 42 | 99.8 | 42 | 45 |
Breakdown per Departemen:
| Department | Karyawan | Avg_Gaji | Avg_KPI | Top_Perf |
|---|---|---|---|---|
| HR | 25 | Rp 11,919,724 | 74.65 | 9 |
| Finance | 39 | Rp 11,234,944 | 74.11 | 6 |
| Marketing | 30 | Rp 11,960,985 | 73.69 | 8 |
| Sales | 31 | Rp 12,819,417 | 73.19 | 8 |
| Operations | 45 | Rp 11,726,234 | 71.65 | 10 |
| Engineering | 30 | Rp 11,382,881 | 63.29 | 1 |
Top 5 Performers:
| employee_id | department | salary | performance_score | KPI_score | KPI_tier |
|---|---|---|---|---|---|
| E1254 | HR | 13798243 | 85.7 | 99.8 | Platinum |
| E1313 | Finance | 4123127 | 88.2 | 99.8 | Platinum |
| E1305 | Sales | 19000434 | 81.1 | 99.4 | Platinum |
| E1215 | Operations | 5698270 | 96.6 | 99.3 | Platinum |
| E1322 | HR | 8515977 | 92.3 | 99.3 | Platinum |