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, uniondf_customer <- read.csv("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 4782002str(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 ...#1. Disadari bahwa ID_Pelanggan berupa chr/character, berarti berulang/ada yang sama#
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#2. Di bagian ID_Pelanggan terdapat 94 N.unique dari 300 pengamatan, dapat ditarik hipotesis bahwa terdapat repeat order#
unique(df_customer$ID_Pelanggan)## [1] "ID00031" "ID00079" "ID00051" "ID00014" "ID00067" "ID00042" "ID00050"
## [8] "ID00043" "ID00025" "ID00090" "ID00091" "ID00069" "ID00057" "ID00092"
## [15] "ID00009" "ID00093" "ID00099" "ID00072" "ID00026" "ID00007" "ID00083"
## [22] "ID00036" "ID00078" "ID00081" "ID00076" "ID00015" "ID00032" "ID00041"
## [29] "ID00074" "ID00023" "ID00027" "ID00060" "ID00053" "ID00096" "ID00038"
## [36] "ID00089" "ID00034" "ID00063" "ID00013" "ID00082" "ID00097" "ID00021"
## [43] "ID00047" "ID00095" "ID00016" "ID00094" "ID00006" "ID00086" "ID00039"
## [50] "ID00004" "ID00052" "ID00022" "ID00087" "ID00035" "ID00040" "ID00030"
## [57] "ID00012" "ID00064" "ID00071" "ID00085" "ID00037" "ID00008" "ID00098"
## [64] "ID00084" "ID00046" "ID00017" "ID00062" "ID00054" "ID00024" "ID00005"
## [71] "ID00070" "ID00055" "ID00075" "ID00048" "ID00077" "ID00056" "ID00068"
## [78] "ID00001" "ID00088" "ID00020" "ID00049" "ID00059" "ID00011" "ID00066"
## [85] "ID00044" "ID00045" "ID00033" "ID00010" "ID00058" "ID00061" "ID00029"
## [92] "ID00073" "ID00018" "ID00002"#3. “$” dipergunakan untuk memanggil kolom tertentu saja# #[1] mengartikan “ID00031” merupakan urutan 1, [15] “ID00009” urutan 15 dan seterusnya#
sort(table(df_customer$ID_Pelanggan), decreasing = TRUE)[1:3]##
## ID00007 ID00025 ID00089
## 9 7 7#4. Siapa yang paling sering berbelanja?#
aggregate(Penghasilan ~ Jenis_Kelamin, data = df_customer, mean)## Jenis_Kelamin Penghasilan
## 1 Laki-laki 8880902
## 2 Perempuan 8505199#5. aggrate(yang di rata-rata ~ Golongan yang di rata-rata, daata = namadata, mean)# agrregate(rata-rata apa berdasarkan(~) apa)
aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)## Tempat_Tinggal Total_Belanja
## 1 Desa 5022231
## 2 Kota 7520118#6#
aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)## Tempat_Tinggal Total_Belanja
## 1 Desa 5022231
## 2 Kota 7520118#7#
df_customer[order(-df_customer$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#8. Siapa 5 pelanggan dengan total belanja tertinggi?#
table(df_customer$Jenis_Kelamin)##
## Laki-laki Perempuan
## 121 179#9. Distribusi jumlah transaksi berdasarkan jenis kelamin#
df_customer$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#10. Pengklasifikasian Kelas Pembeli#
##Q1 Pelanggan yang paling sering membeli dengan total spend lebih dari 5.000.000##
Q1 <- df_customer %>%
filter(Total_Belanja > 5000000) %>%
count(ID_Pelanggan, sort = TRUE)
Q1## ID_Pelanggan n
## 1 ID00007 7
## 2 ID00025 7
## 3 ID00026 6
## 4 ID00089 6
## 5 ID00053 5
## 6 ID00079 5
## 7 ID00084 5
## 8 ID00090 5
## 9 ID00093 5
## 10 ID00006 4
## 11 ID00009 4
## 12 ID00016 4
## 13 ID00023 4
## 14 ID00024 4
## 15 ID00031 4
## 16 ID00032 4
## 17 ID00036 4
## 18 ID00057 4
## 19 ID00063 4
## 20 ID00067 4
## 21 ID00074 4
## 22 ID00087 4
## 23 ID00091 4
## 24 ID00002 3
## 25 ID00013 3
## 26 ID00014 3
## 27 ID00030 3
## 28 ID00035 3
## 29 ID00037 3
## 30 ID00039 3
## 31 ID00040 3
## 32 ID00042 3
## 33 ID00045 3
## 34 ID00046 3
## 35 ID00052 3
## 36 ID00055 3
## 37 ID00060 3
## 38 ID00069 3
## 39 ID00071 3
## 40 ID00072 3
## 41 ID00082 3
## 42 ID00085 3
## 43 ID00094 3
## 44 ID00004 2
## 45 ID00008 2
## 46 ID00010 2
## 47 ID00017 2
## 48 ID00021 2
## 49 ID00022 2
## 50 ID00033 2
## 51 ID00034 2
## 52 ID00038 2
## 53 ID00041 2
## 54 ID00048 2
## 55 ID00049 2
## 56 ID00050 2
## 57 ID00051 2
## 58 ID00054 2
## 59 ID00058 2
## 60 ID00066 2
## 61 ID00075 2
## 62 ID00076 2
## 63 ID00083 2
## 64 ID00086 2
## 65 ID00092 2
## 66 ID00096 2
## 67 ID00097 2
## 68 ID00001 1
## 69 ID00005 1
## 70 ID00011 1
## 71 ID00012 1
## 72 ID00015 1
## 73 ID00018 1
## 74 ID00027 1
## 75 ID00029 1
## 76 ID00043 1
## 77 ID00044 1
## 78 ID00047 1
## 79 ID00056 1
## 80 ID00059 1
## 81 ID00061 1
## 82 ID00064 1
## 83 ID00070 1
## 84 ID00073 1
## 85 ID00077 1
## 86 ID00078 1
## 87 ID00088 1
## 88 ID00095 1
## 89 ID00098 1
## 90 ID00099 1##Q2 Perempuan di kota yang berbelanja lebih dari 5x#
Q2 <- df_customer %>%
group_by(ID_Pelanggan, Jenis_Kelamin, Tempat_Tinggal) %>%
summarise(Frekuensi_Belanja = n(), .groups = 'drop') %>%
filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota", Frekuensi_Belanja >= 5)
Q2## # A tibble: 1 × 4
## ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Frekuensi_Belanja
## <chr> <chr> <chr> <int>
## 1 ID00007 Perempuan Kota 5##Q3 Pelanggan yang paling sering membeli dengan penghasilan lebih dari 5.000.000#
Q3 <- df_customer %>%
filter(Penghasilan > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
head(1)
Q3## ID_Pelanggan n
## 1 ID00007 9##Q4 Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki total belanja yang lebih dari 5.000.000?##
Q4 <- df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
distinct(ID_Pelanggan, Jenis_Kelamin, Tempat_Tinggal, Total_Belanja)
Q4## ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Total_Belanja
## 1 ID00067 Perempuan Desa 6982081
## 2 ID00014 Perempuan Desa 6315967
## 3 ID00027 Perempuan Desa 6901502
## 4 ID00089 Laki-laki Desa 5776859
## 5 ID00034 Perempuan Desa 7064321
## 6 ID00013 Perempuan Desa 5438461
## 7 ID00091 Perempuan Desa 5990469
## 8 ID00038 Laki-laki Desa 5094570
## 9 ID00041 Perempuan Desa 8371463
## 10 ID00047 Perempuan Desa 6172545
## 11 ID00095 Perempuan Desa 6259431
## 12 ID00031 Perempuan Desa 5581673
## 13 ID00022 Laki-laki Desa 5602663
## 14 ID00096 Perempuan Desa 5369782
## 15 ID00074 Laki-laki Desa 7154243
## 16 ID00094 Perempuan Desa 5983600
## 17 ID00016 Perempuan Desa 5436492
## 18 ID00055 Perempuan Desa 6262374
## 19 ID00075 Laki-laki Desa 5002921
## 20 ID00090 Perempuan Desa 5987338
## 21 ID00098 Perempuan Desa 5535035
## 22 ID00048 Perempuan Desa 5333229
## 23 ID00088 Perempuan Desa 5826813
## 24 ID00067 Perempuan Desa 6344949
## 25 ID00049 Perempuan Desa 5695306
## 26 ID00055 Perempuan Desa 6646206
## 27 ID00008 Perempuan Desa 6100858
## 28 ID00072 Perempuan Desa 6500860
## 29 ID00058 Perempuan Desa 6514985
## 30 ID00026 Laki-laki Desa 6663821
## 31 ID00052 Perempuan Desa 6548809
## 32 ID00026 Laki-laki Desa 7895296
## 33 ID00090 Perempuan Desa 9796996
## 34 ID00073 Perempuan Desa 5490472
## 35 ID00014 Perempuan Desa 6229499
## 36 ID00006 Laki-laki Desa 6134541
## 37 ID00091 Perempuan Desa 6935452
## 38 ID00094 Perempuan Desa 5043885
## 39 ID00031 Perempuan Desa 6686485
## 40 ID00093 Perempuan Desa 7140298
## 41 ID00057 Perempuan Desa 5530567
## 42 ID00089 Perempuan Desa 5259961
## 43 ID00066 Perempuan Desa 5157567
## 44 ID00008 Perempuan Desa 5052071
## 45 ID00063 Laki-laki Desa 6201985
## 46 ID00097 Perempuan Desa 5214133
## 47 ID00013 Laki-laki Desa 5581775##Q5 Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja lebih dari 5.000.000?##
Q5 <- df_customer %>%
filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
distinct(ID_Pelanggan, Penghasilan, Tempat_Tinggal, Total_Belanja)
Q5## ID_Pelanggan Penghasilan Tempat_Tinggal Total_Belanja
## 1 ID00067 7773498 Desa 6982081
## 2 ID00014 6776730 Desa 6315967
## 3 ID00027 8108645 Desa 6901502
## 4 ID00089 9032981 Desa 5776859
## 5 ID00034 5616450 Desa 7064321
## 6 ID00013 4481204 Desa 5438461
## 7 ID00091 6128487 Desa 5990469
## 8 ID00038 5947963 Desa 5094570
## 9 ID00041 9231091 Desa 8371463
## 10 ID00047 5940612 Desa 6172545
## 11 ID00095 8032910 Desa 6259431
## 12 ID00031 7822419 Desa 5581673
## 13 ID00022 9331982 Desa 5602663
## 14 ID00096 7082568 Desa 5369782
## 15 ID00074 9657061 Desa 7154243
## 16 ID00094 7651846 Desa 5983600
## 17 ID00016 5575699 Desa 5436492
## 18 ID00055 8635642 Desa 6262374
## 19 ID00075 5809025 Desa 5002921
## 20 ID00090 6005712 Desa 5987338
## 21 ID00098 4849165 Desa 5535035
## 22 ID00048 4626369 Desa 5333229
## 23 ID00088 5455465 Desa 5826813
## 24 ID00067 6467267 Desa 6344949
## 25 ID00049 3157783 Desa 5695306
## 26 ID00055 6093467 Desa 6646206
## 27 ID00008 6193172 Desa 6100858
## 28 ID00072 9024791 Desa 6500860
## 29 ID00058 9310352 Desa 6514985
## 30 ID00026 8141032 Desa 6663821
## 31 ID00052 6499451 Desa 6548809
## 32 ID00026 10832415 Desa 7895296
## 33 ID00090 11664452 Desa 9796996
## 34 ID00073 6455085 Desa 5490472
## 35 ID00014 6571179 Desa 6229499
## 36 ID00006 9498495 Desa 6134541
## 37 ID00091 5671820 Desa 6935452
## 38 ID00094 3726214 Desa 5043885
## 39 ID00031 6533837 Desa 6686485
## 40 ID00093 6856664 Desa 7140298
## 41 ID00057 7212261 Desa 5530567
## 42 ID00089 6928182 Desa 5259961
## 43 ID00066 3373098 Desa 5157567
## 44 ID00008 6940985 Desa 5052071
## 45 ID00063 6915574 Desa 6201985
## 46 ID00097 7028460 Desa 5214133
## 47 ID00013 9810087 Desa 5581775