Week 5

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

data5 <- read.csv("df_customer.csv")

nrow(data5)

## [1] 300

unique(data5$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(data5$ID_Pelanggan))

## [1] 94

sort(table(data5$ID_Pelanggan), decreasing = TRUE)[1:3]

## 
## ID00007 ID00025 ID00089 
##       9       7       7

aggregate(Penghasilan ~ Jenis_Kelamin, data = data5, mean)

##   Jenis_Kelamin Penghasilan
## 1     Laki-laki     8880902
## 2     Perempuan     8505199

aggregate(Penghasilan ~ Tempat_Tinggal, data = data5, mean)

##   Tempat_Tinggal Penghasilan
## 1           Desa     6249122
## 2           Kota     9878685

aggregate(Total_Belanja ~ Tempat_Tinggal, data = data5, mean)

##   Tempat_Tinggal Total_Belanja
## 1           Desa       5022231
## 2           Kota       7520118

data5[order(-data5$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

table(data5$Jenis_Kelamin)

## 
## Laki-laki Perempuan 
##       121       179

data5$Kategori_Penghasilan <- cut(data5$Penghasilan,
                                        breaks = c(-Inf, 5000000, 10000000, Inf),
                                        labels = c("Rendah", "Menengah", "Tinggi"))
table(data5$Kategori_Penghasilan)

## 
##   Rendah Menengah   Tinggi 
##       27      175       98

Tugas Minggu ke-5

1.Siapa pelanggan yang paling sering membeli dengan total belanja lebih dari 5000000

q1 <- data5 %>%
  filter(Total_Belanja > 5000000) %>%
  group_by(ID_Pelanggan) %>%
  summarise(Jumlah_Transaksi = n()) %>%
  filter(Jumlah_Transaksi == max(Jumlah_Transaksi))
q1

## # A tibble: 2 × 2
##   ID_Pelanggan Jumlah_Transaksi
##   <chr>                   <int>
## 1 ID00007                     7
## 2 ID00025                     7

Ada berapa banyak perempuan di kota yang berbelanja lebih dari 5x

q2 <- data5 %>%
  filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota") %>%
  group_by(ID_Pelanggan) %>%
  summarise(Jumlah_Transaksi = n()) %>%
  filter(Jumlah_Transaksi > 5)
q2

## # A tibble: 0 × 2
## # ℹ 2 variables: ID_Pelanggan <chr>, Jumlah_Transaksi <int>

Siapa pelanggan yang paling sering membeli dengan penghasilan lebih dari 5000000

q3 <- data5 %>%
  filter(Penghasilan > 5000000) %>%
  group_by(ID_Pelanggan) %>%
  summarise(Jumlah_Transaksi = n()) %>%
  filter(Jumlah_Transaksi == max(Jumlah_Transaksi))
q3

## # A tibble: 1 × 2
##   ID_Pelanggan Jumlah_Transaksi
##   <chr>                   <int>
## 1 ID00007                     9

Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki total belanja yang lebih dari 5000000

q4 <- data5 %>%
  filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
  group_by(Jenis_Kelamin) %>%
  summarise(Jumlah_Pelanggan = n())
q4

## # A tibble: 2 × 2
##   Jenis_Kelamin Jumlah_Pelanggan
##   <chr>                    <int>
## 1 Laki-laki                   10
## 2 Perempuan                   37

Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja lebih dari 5000000

q5 <- data5 %>%
  filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
  select(ID_Pelanggan, Penghasilan, Total_Belanja)
q5

##    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

Week 5

2026-09-25