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
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
#1. Siapa pelanggan yang paling sering membeli dengan total belanja lebih dari 5.000.000
df_customer |>
filter(Total_Belanja>5000000) |>
count(ID_Pelanggan, sort = TRUE) |>
slice_head(n=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") |>
group_by(ID_Pelanggan) |>
summarise(Jumlah_Transaksi = n()) |>
filter(Jumlah_Transaksi > 5) |>
nrow()
## [1] 0
#3. Siapa pelanggan yang paling sering membeli dengan penghasilan lebih dari 5.000.000
df_customer |>
filter(Penghasilan > 5000000) |>
group_by(ID_Pelanggan) |>
summarise(Frekuensi = n()) |>
arrange(desc(Frekuensi)) |>
slice_head(n=3)
## # A tibble: 3 × 2
## ID_Pelanggan Frekuensi
## <chr> <int>
## 1 ID00007 9
## 2 ID00025 7
## 3 ID00093 7
#4. Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki total belanja yang lebih dari 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)
## ID_Pelanggan Penghasilan Total_Belanja
## 1 ID00067 7773498 6982081
## 2 ID00014 6776730 6315967
## 3 ID00027 8108645 6901502
## 4 ID00089 9032981 5776859
## 5 ID00034 5616450 7064321
## 6 ID00013 4481204 5438461
## 7 ID00091 6128487 5990469
## 8 ID00038 5947963 5094570
## 9 ID00041 9231091 8371463
## 10 ID00047 5940612 6172545
## 11 ID00095 8032910 6259431
## 12 ID00031 7822419 5581673
## 13 ID00022 9331982 5602663
## 14 ID00096 7082568 5369782
## 15 ID00074 9657061 7154243
## 16 ID00094 7651846 5983600
## 17 ID00016 5575699 5436492
## 18 ID00055 8635642 6262374
## 19 ID00075 5809025 5002921
## 20 ID00090 6005712 5987338
## 21 ID00098 4849165 5535035
## 22 ID00048 4626369 5333229
## 23 ID00088 5455465 5826813
## 24 ID00067 6467267 6344949
## 25 ID00049 3157783 5695306
## 26 ID00055 6093467 6646206
## 27 ID00008 6193172 6100858
## 28 ID00072 9024791 6500860
## 29 ID00058 9310352 6514985
## 30 ID00026 8141032 6663821
## 31 ID00052 6499451 6548809
## 32 ID00026 10832415 7895296
## 33 ID00090 11664452 9796996
## 34 ID00073 6455085 5490472
## 35 ID00014 6571179 6229499
## 36 ID00006 9498495 6134541
## 37 ID00091 5671820 6935452
## 38 ID00094 3726214 5043885
## 39 ID00031 6533837 6686485
## 40 ID00093 6856664 7140298
## 41 ID00057 7212261 5530567
## 42 ID00089 6928182 5259961
## 43 ID00066 3373098 5157567
## 44 ID00008 6940985 5052071
## 45 ID00063 6915574 6201985
## 46 ID00097 7028460 5214133
## 47 ID00013 9810087 5581775