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_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 4782002
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 ...
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
1. Berapa jumlah total transaksi dalam data ini?
nrow(df_customer)
## [1] 300
2. Ada berapa pelanggan unik dalam dataset?
unique(df_customer$ID_Pelanggan)
## [1] "ID00031" "ID00079" "ID00051" "ID00014" "ID00067" "ID00042" "ID00050"
## [8] "ID00043" "ID00025" "ID00090" "ID00091" "ID00069" "ID00057" "ID00092"
## [15] "ID00009" "ID00093" "ID00099" "ID00072" "ID00026" "ID00007" "ID00083"
## [22] "ID00036" "ID00078" "ID00081" "ID00076" "ID00015" "ID00032" "ID00041"
## [29] "ID00074" "ID00023" "ID00027" "ID00060" "ID00053" "ID00096" "ID00038"
## [36] "ID00089" "ID00034" "ID00063" "ID00013" "ID00082" "ID00097" "ID00021"
## [43] "ID00047" "ID00095" "ID00016" "ID00094" "ID00006" "ID00086" "ID00039"
## [50] "ID00004" "ID00052" "ID00022" "ID00087" "ID00035" "ID00040" "ID00030"
## [57] "ID00012" "ID00064" "ID00071" "ID00085" "ID00037" "ID00008" "ID00098"
## [64] "ID00084" "ID00046" "ID00017" "ID00062" "ID00054" "ID00024" "ID00005"
## [71] "ID00070" "ID00055" "ID00075" "ID00048" "ID00077" "ID00056" "ID00068"
## [78] "ID00001" "ID00088" "ID00020" "ID00049" "ID00059" "ID00011" "ID00066"
## [85] "ID00044" "ID00045" "ID00033" "ID00010" "ID00058" "ID00061" "ID00029"
## [92] "ID00073" "ID00018" "ID00002"
length(unique(df_customer$ID_Pelanggan))
## [1] 94
3. Siapa pelanggan yang paling sering berbelanja?
sort(table(df_customer$ID_Pelanggan), decreasing = TRUE)[1:5]
##
## ID00007 ID00025 ID00089 ID00093 ID00026
## 9 7 7 7 6
4. Rata-rata penghasilan pelanggan berdasarkan jenis kelamin.
aggregate(Penghasilan ~ Jenis_Kelamin, data = df_customer, mean)
## Jenis_Kelamin Penghasilan
## 1 Laki-laki 8880902
## 2 Perempuan 8505199
5. Rata-rata total belanja pelanggan berdasarkan jenis kelamin.
aggregate(Total_Belanja ~ Jenis_Kelamin, data = df_customer, mean)
## Jenis_Kelamin Total_Belanja
## 1 Laki-laki 6034728
## 2 Perempuan 7114786
6. Rata-rata penghasilan pelanggan berdasarkan tempat tinggal (Kota
vs Desa).
aggregate(Penghasilan ~ Tempat_Tinggal, data = df_customer, mean)
## Tempat_Tinggal Penghasilan
## 1 Desa 6249122
## 2 Kota 9878685
7. Rata-rata total belanja pelanggan berdasarkan tempat
tinggal.
aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)
## Tempat_Tinggal Total_Belanja
## 1 Desa 5022231
## 2 Kota 7520118
8. Siapa 5 pelanggan dengan total belanja tertinggi?
df_customer[order(-df_customer$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
9. Distribusi jumlah transaksi berdasarkan jenis kelamin.
table(df_customer$Jenis_Kelamin)
##
## Laki-laki Perempuan
## 121 179
10. Buat kategori penghasilan:
df_customer$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
Total Laki-laki dan Perempuan
freq <- as.data.frame(table(df_customer$Jenis_Kelamin))
freq
## Var1 Freq
## 1 Laki-laki 121
## 2 Perempuan 179
TUGAS
1. Siapa pelanggan yang paling sering membeli dengan total belanja
lebih dari 5000000
Q1 <- df_customer%>%
filter (Total_Belanja > 5000000) %>%
count(ID_Pelanggan, sort = TRUE) %>%
slice_head(n=2)
Q1
## ID_Pelanggan n
## 1 ID00007 7
## 2 ID00025 7
2. Ada berapa banyak perempuan di kota yang berbelanja lebih dari
5x
Q2 <- df_customer%>%
filter (Total_Belanja > 5) %>%
filter (Jenis_Kelamin == "Perempuan") %>%
filter (Tempat_Tinggal == "Kota") %>%
count (ID_Pelanggan, sort = TRUE)
head(Q2)
## ID_Pelanggan n
## 1 ID00007 5
## 2 ID00025 4
## 3 ID00026 4
## 4 ID00053 4
## 5 ID00002 3
## 6 ID00023 3
3. Siapa pelanggan yang paling sering membeli dengan penghasilan
lebih dari 5000000
Q3 <- df_customer %>%
filter (Penghasilan > 5000000)%>%
count (ID_Pelanggan, sort = TRUE)%>%
slice_head(n=5)
Q3
## ID_Pelanggan n
## 1 ID00007 9
## 2 ID00025 7
## 3 ID00093 7
## 4 ID00026 6
## 5 ID00089 6
4. Berjenis kelamin apa pelanggan yang tinggal di desa namun
memiliki total belanja yang lebih dari 5000000
Q4 <- df_customer %>%
filter (Total_Belanja > 5000000) %>%
filter (Tempat_Tinggal == "Desa") %>%
count (Jenis_Kelamin, sort = TRUE)
Q4
## Jenis_Kelamin n
## 1 Perempuan 37
## 2 Laki-laki 10
5. Berpenghasilan berapa pelanggan yang tinggal di desa namun
memiliki total belanja lebih dari 5000000
Q5 <- df_customer %>%
filter(Total_Belanja > 5000000) %>%
filter(Tempat_Tinggal == "Desa")
Q5
## X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Penghasilan Total_Belanja
## 1 5 ID00067 Perempuan Desa 7773498 6982081
## 2 9 ID00014 Perempuan Desa 6776730 6315967
## 3 43 ID00027 Perempuan Desa 8108645 6901502
## 4 46 ID00089 Laki-laki Desa 9032981 5776859
## 5 47 ID00034 Perempuan Desa 5616450 7064321
## 6 53 ID00013 Perempuan Desa 4481204 5438461
## 7 56 ID00091 Perempuan Desa 6128487 5990469
## 8 58 ID00038 Laki-laki Desa 5947963 5094570
## 9 61 ID00041 Perempuan Desa 9231091 8371463
## 10 62 ID00047 Perempuan Desa 5940612 6172545
## 11 65 ID00095 Perempuan Desa 8032910 6259431
## 12 73 ID00031 Perempuan Desa 7822419 5581673
## 13 82 ID00022 Laki-laki Desa 9331982 5602663
## 14 97 ID00096 Perempuan Desa 7082568 5369782
## 15 106 ID00074 Laki-laki Desa 9657061 7154243
## 16 119 ID00094 Perempuan Desa 7651846 5983600
## 17 134 ID00016 Perempuan Desa 5575699 5436492
## 18 138 ID00055 Perempuan Desa 8635642 6262374
## 19 139 ID00075 Laki-laki Desa 5809025 5002921
## 20 145 ID00090 Perempuan Desa 6005712 5987338
## 21 148 ID00098 Perempuan Desa 4849165 5535035
## 22 149 ID00048 Perempuan Desa 4626369 5333229
## 23 161 ID00088 Perempuan Desa 5455465 5826813
## 24 166 ID00067 Perempuan Desa 6467267 6344949
## 25 171 ID00049 Perempuan Desa 3157783 5695306
## 26 176 ID00055 Perempuan Desa 6093467 6646206
## 27 177 ID00008 Perempuan Desa 6193172 6100858
## 28 197 ID00072 Perempuan Desa 9024791 6500860
## 29 202 ID00058 Perempuan Desa 9310352 6514985
## 30 209 ID00026 Laki-laki Desa 8141032 6663821
## 31 219 ID00052 Perempuan Desa 6499451 6548809
## 32 220 ID00026 Laki-laki Desa 10832415 7895296
## 33 224 ID00090 Perempuan Desa 11664452 9796996
## 34 229 ID00073 Perempuan Desa 6455085 5490472
## 35 231 ID00014 Perempuan Desa 6571179 6229499
## 36 232 ID00006 Laki-laki Desa 9498495 6134541
## 37 233 ID00091 Perempuan Desa 5671820 6935452
## 38 248 ID00094 Perempuan Desa 3726214 5043885
## 39 249 ID00031 Perempuan Desa 6533837 6686485
## 40 250 ID00093 Perempuan Desa 6856664 7140298
## 41 254 ID00057 Perempuan Desa 7212261 5530567
## 42 257 ID00089 Perempuan Desa 6928182 5259961
## 43 259 ID00066 Perempuan Desa 3373098 5157567
## 44 265 ID00008 Perempuan Desa 6940985 5052071
## 45 280 ID00063 Laki-laki Desa 6915574 6201985
## 46 289 ID00097 Perempuan Desa 7028460 5214133
## 47 293 ID00013 Laki-laki Desa 9810087 5581775
## Kategori_Penghasilan
## 1 Menengah
## 2 Menengah
## 3 Menengah
## 4 Menengah
## 5 Menengah
## 6 Rendah
## 7 Menengah
## 8 Menengah
## 9 Menengah
## 10 Menengah
## 11 Menengah
## 12 Menengah
## 13 Menengah
## 14 Menengah
## 15 Menengah
## 16 Menengah
## 17 Menengah
## 18 Menengah
## 19 Menengah
## 20 Menengah
## 21 Rendah
## 22 Rendah
## 23 Menengah
## 24 Menengah
## 25 Rendah
## 26 Menengah
## 27 Menengah
## 28 Menengah
## 29 Menengah
## 30 Menengah
## 31 Menengah
## 32 Tinggi
## 33 Tinggi
## 34 Menengah
## 35 Menengah
## 36 Menengah
## 37 Menengah
## 38 Rendah
## 39 Menengah
## 40 Menengah
## 41 Menengah
## 42 Menengah
## 43 Rendah
## 44 Menengah
## 45 Menengah
## 46 Menengah
## 47 Menengah