#1. Import Data File CSV
df_customer <- read.csv("C:/Users/USER/Downloads/df_customer.csv")
head(df_customer)## X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Penghasilan Total_Belanja
## 1 1 ID00031 Laki-laki Desa 2227350 2563031
## 2 2 ID00079 Perempuan Kota 9047608 8369550
## 3 3 ID00051 Perempuan Kota 9735540 8053033
## 4 4 ID00014 Laki-laki Kota 13510126 9799876
## 5 5 ID00067 Perempuan Desa 7773498 6982081
## 6 6 ID00042 Laki-laki Desa 6666740 4782002#2. Stuktur Data
# Membuat Struktur Data
str(df_customer)## 'data.frame': 300 obs. of 6 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ ID_Pelanggan : chr "ID00031" "ID00079" "ID00051" "ID00014" ...
## $ Jenis_Kelamin : chr "Laki-laki" "Perempuan" "Perempuan" "Laki-laki" ...
## $ Tempat_Tinggal: chr "Desa" "Kota" "Kota" "Kota" ...
## $ Penghasilan : int 2227350 9047608 9735540 13510126 7773498 6666740 5658721 7637656 6776730 10412102 ...
## $ Total_Belanja : int 2563031 8369550 8053033 9799876 6982081 4782002 4286283 4779797 6315967 5106141 ...#cek missing value
colSums(is.na(df_customer))## X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Penghasilan
## 0 0 0 0 0
## Total_Belanja
## 0#3. perbaikan/perapian Struktur Data
#melihat summary data
summary(df_customer)## X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal
## Min. : 1.00 Length :300 Length :300 Length :300
## 1st Qu.: 75.75 N.unique : 94 N.unique : 2 N.unique : 2
## Median :150.50 N.blank : 0 N.blank : 0 N.blank : 0
## Mean :150.50 Min.nchar: 7 Min.nchar: 9 Min.nchar: 4
## 3rd Qu.:225.25 Max.nchar: 7 Max.nchar: 9 Max.nchar: 4
## Max. :300.00
## Penghasilan Total_Belanja
## Min. : 901314 Min. : 2534171
## 1st Qu.: 6426148 1st Qu.: 5360644
## Median : 8630042 Median : 6552757
## Mean : 8656732 Mean : 6679163
## 3rd Qu.:10921107 3rd Qu.: 7895702
## Max. :16145151 Max. :11626302#4. Melihat Data yang Berbeda (unique)
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, unionunique(df_customer$ID_Pelanggan)## [1] "ID00031" "ID00079" "ID00051" "ID00014" "ID00067" "ID00042" "ID00050"
## [8] "ID00043" "ID00025" "ID00090" "ID00091" "ID00069" "ID00057" "ID00092"
## [15] "ID00009" "ID00093" "ID00099" "ID00072" "ID00026" "ID00007" "ID00083"
## [22] "ID00036" "ID00078" "ID00081" "ID00076" "ID00015" "ID00032" "ID00041"
## [29] "ID00074" "ID00023" "ID00027" "ID00060" "ID00053" "ID00096" "ID00038"
## [36] "ID00089" "ID00034" "ID00063" "ID00013" "ID00082" "ID00097" "ID00021"
## [43] "ID00047" "ID00095" "ID00016" "ID00094" "ID00006" "ID00086" "ID00039"
## [50] "ID00004" "ID00052" "ID00022" "ID00087" "ID00035" "ID00040" "ID00030"
## [57] "ID00012" "ID00064" "ID00071" "ID00085" "ID00037" "ID00008" "ID00098"
## [64] "ID00084" "ID00046" "ID00017" "ID00062" "ID00054" "ID00024" "ID00005"
## [71] "ID00070" "ID00055" "ID00075" "ID00048" "ID00077" "ID00056" "ID00068"
## [78] "ID00001" "ID00088" "ID00020" "ID00049" "ID00059" "ID00011" "ID00066"
## [85] "ID00044" "ID00045" "ID00033" "ID00010" "ID00058" "ID00061" "ID00029"
## [92] "ID00073" "ID00018" "ID00002"#5. Melihat Siapa yang sering berbelanja
sort(table(df_customer$ID_Pelanggan), decreasing = TRUE)[4:3]##
## ID00093 ID00089
## 7 7#6.Rata-rata penghasilan pelanggan berdasarkan jenis kelamin
aggregate(Penghasilan ~ Jenis_Kelamin, data = df_customer, mean)## Jenis_Kelamin Penghasilan
## 1 Laki-laki 8880902
## 2 Perempuan 8505199#7. Rata-rata total belanja pelanggan berdasarkan jenis kelamin.
aggregate(Total_Belanja ~ Jenis_Kelamin, data = df_customer, mean)## Jenis_Kelamin Total_Belanja
## 1 Laki-laki 6034728
## 2 Perempuan 7114786#8. Rata-rata penghasilan pelanggan berdasarkan tempat tinggal (Kota vs Desa)
aggregate(Penghasilan ~ Tempat_Tinggal, data = df_customer, mean)## Tempat_Tinggal Penghasilan
## 1 Desa 6249122
## 2 Kota 9878685#9. Rata-rata total belanja pelanggan berdasarkan tempat tinggal.
aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)## Tempat_Tinggal Total_Belanja
## 1 Desa 5022231
## 2 Kota 7520118#10. Siapa 5 pelanggan dengan total belanja tertinggi?
df_customer[order(-df_customer$Total_Belanja), c("ID_Pelanggan", "Total_Belanja")] |> head(5)## ID_Pelanggan Total_Belanja
## 76 ID00034 11626302
## 175 ID00011 11527638
## 228 ID00057 11031197
## 287 ID00093 10984825
## 33 ID00007 10846012#11. Distribusi jumlah transaksi berdasarkan jenis kelamin.
table(df_customer$Jenis_Kelamin)##
## Laki-laki Perempuan
## 121 179#12. Buat kategori penghasilan:
#Rendah (< 5 juta)
#Menengah (5–10 juta)
#Tinggi (> 10 juta)
#Lalu hitung distribusinya
df_customer$Kategori_Penghasilan <- cut(df_customer$Penghasilan,
breaks = c(-Inf, 5000000, 10000000, Inf),
labels = c("Rendah", "Menengah", "Tinggi"))
table(df_customer$Kategori_Penghasilan)##
## Rendah Menengah Tinggi
## 27 175 98#Latihan #1. Siapa pelanggan yang paling sering membeli dengan total belanja lebih dari 5000000?
library(dplyr)
df_customer %>%
filter(Total_Belanja > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
head(5)## ID_Pelanggan n
## 1 ID00007 7
## 2 ID00025 7
## 3 ID00026 6
## 4 ID00089 6
## 5 ID00053 5#2. Ada berapa banyak perempuan di kota yang berbelanja lebih dari 5x?
df_customer %>%
filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota") %>%
count(ID_Pelanggan) %>%
filter(n > 5) %>%
nrow()## [1] 0#3. Pelanggan yang paling sering membeli dengan penghasilan > 5.000.000
df_customer %>%
filter(Penghasilan > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
head(1)## ID_Pelanggan n
## 1 ID00007 9#4. Jenis kelamin pelanggan yang tinggal di desa dengan total belanja > 5.000.000
df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
count(Jenis_Kelamin)## Jenis_Kelamin n
## 1 Laki-laki 10
## 2 Perempuan 37#5. Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja lebih dari 5000000
df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
select(ID_Pelanggan, Penghasilan, Total_Belanja, Tempat_Tinggal)## ID_Pelanggan Penghasilan Total_Belanja Tempat_Tinggal
## 1 ID00067 7773498 6982081 Desa
## 2 ID00014 6776730 6315967 Desa
## 3 ID00027 8108645 6901502 Desa
## 4 ID00089 9032981 5776859 Desa
## 5 ID00034 5616450 7064321 Desa
## 6 ID00013 4481204 5438461 Desa
## 7 ID00091 6128487 5990469 Desa
## 8 ID00038 5947963 5094570 Desa
## 9 ID00041 9231091 8371463 Desa
## 10 ID00047 5940612 6172545 Desa
## 11 ID00095 8032910 6259431 Desa
## 12 ID00031 7822419 5581673 Desa
## 13 ID00022 9331982 5602663 Desa
## 14 ID00096 7082568 5369782 Desa
## 15 ID00074 9657061 7154243 Desa
## 16 ID00094 7651846 5983600 Desa
## 17 ID00016 5575699 5436492 Desa
## 18 ID00055 8635642 6262374 Desa
## 19 ID00075 5809025 5002921 Desa
## 20 ID00090 6005712 5987338 Desa
## 21 ID00098 4849165 5535035 Desa
## 22 ID00048 4626369 5333229 Desa
## 23 ID00088 5455465 5826813 Desa
## 24 ID00067 6467267 6344949 Desa
## 25 ID00049 3157783 5695306 Desa
## 26 ID00055 6093467 6646206 Desa
## 27 ID00008 6193172 6100858 Desa
## 28 ID00072 9024791 6500860 Desa
## 29 ID00058 9310352 6514985 Desa
## 30 ID00026 8141032 6663821 Desa
## 31 ID00052 6499451 6548809 Desa
## 32 ID00026 10832415 7895296 Desa
## 33 ID00090 11664452 9796996 Desa
## 34 ID00073 6455085 5490472 Desa
## 35 ID00014 6571179 6229499 Desa
## 36 ID00006 9498495 6134541 Desa
## 37 ID00091 5671820 6935452 Desa
## 38 ID00094 3726214 5043885 Desa
## 39 ID00031 6533837 6686485 Desa
## 40 ID00093 6856664 7140298 Desa
## 41 ID00057 7212261 5530567 Desa
## 42 ID00089 6928182 5259961 Desa
## 43 ID00066 3373098 5157567 Desa
## 44 ID00008 6940985 5052071 Desa
## 45 ID00063 6915574 6201985 Desa
## 46 ID00097 7028460 5214133 Desa
## 47 ID00013 9810087 5581775 Desa