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
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
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.

sort(table(df_customer$ID_Pelanggan), decreasing = TRUE)[1:3]
## 
## ID00007 ID00025 ID00089 
##       9       7       7

#4

aggregate(Penghasilan ~ Jenis_Kelamin, data = df_customer, mean)
##   Jenis_Kelamin Penghasilan
## 1     Laki-laki     8880902
## 2     Perempuan     8505199

#5

aggregate(Total_Belanja ~ Jenis_Kelamin, data = df_customer, mean)
##   Jenis_Kelamin Total_Belanja
## 1     Laki-laki       6034728
## 2     Perempuan       7114786

#6

aggregate(Penghasilan ~ Tempat_Tinggal, data = df_customer, mean)
##   Tempat_Tinggal Penghasilan
## 1           Desa     6249122
## 2           Kota     9878685

#7

aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)
##   Tempat_Tinggal Total_Belanja
## 1           Desa       5022231
## 2           Kota       7520118

#8

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

table(df_customer$Jenis_Kelamin)
## 
## Laki-laki Perempuan 
##       121       179

#10

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

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)
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

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

Q2 <- df_customer %>%
  filter(Jenis_Kelamin == "Perempuan", Tempat_Tinggal == "Kota", Total_Belanja > 5) %>%
  nrow()
Q2
## [1] 120

3. Siapa pelanggan yang paling sering membeli dengan penghasilan lebih dari 5000000

Q3 <- df_customer %>%
  filter(Penghasilan > 5000000) %>%
  count(ID_Pelanggan, sort = TRUE) %>%
  head(6)
Q3
##   ID_Pelanggan n
## 1      ID00007 9
## 2      ID00025 7
## 3      ID00093 7
## 4      ID00026 6
## 5      ID00089 6
## 6      ID00009 5

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

Q4_sumarry <- df_customer %>%
  filter(Tempat_Tinggal == "Desa", Total_Belanja > 5000000) %>%
  count(Jenis_Kelamin)
Q4_sumarry
##   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

Q5 <- df_customer %>%
  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