df_customer <- read.csv ("df_customer.csv")
#1 Jumlah Total Transaksi Dalam Data
nrow(df_customer)
## [1] 300
#2 Jumlah Pelanggan Unik Dari 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 Sering Berbelanja
sort(table(df_customer$ID_Pelanggan), decreasing = TRUE)[1:5]
##
## ID00007 ID00025 ID00089 ID00093 ID00026
## 9 7 7 7 6
#4 Rata rata Pengasilan Pelanggan Berdasarkan Jenis Kelamin
aggregate(Penghasilan ~ Jenis_Kelamin, data = df_customer, mean)
## Jenis_Kelamin Penghasilan
## 1 Laki-laki 8880902
## 2 Perempuan 8505199
#5 Rata rata Total Belanja Pelanggan Berdasarkan Jenis Kelamin
aggregate(Total_Belanja ~ Jenis_Kelamin, data = df_customer, mean)
## Jenis_Kelamin Total_Belanja
## 1 Laki-laki 6034728
## 2 Perempuan 7114786
#6 Rata rata Penghasilan Pelanggan Berdasarkan Tempat Tinggal (Kota VS Desa)
aggregate(Penghasilan ~ Tempat_Tinggal, data = df_customer, mean)
## Tempat_Tinggal Penghasilan
## 1 Desa 6249122
## 2 Kota 9878685
#7 Rata rata Total Belanja Pelanggan Berdasarkan Tempat Tinggal
aggregate(Total_Belanja ~ Tempat_Tinggal, data = df_customer, mean)
## Tempat_Tinggal Total_Belanja
## 1 Desa 5022231
## 2 Kota 7520118
#8 Siapa 7 Pelanggan dengan Total Belanja Tertinggi
df_customer[order(-df_customer$Total_Belanja), c("ID_Pelanggan", "Total_Belanja")] |> head(7)
## ID_Pelanggan Total_Belanja
## 76 ID00034 11626302
## 175 ID00011 11527638
## 228 ID00057 11031197
## 287 ID00093 10984825
## 33 ID00007 10846012
## 208 ID00023 10739381
## 26 ID00036 10641105
#9 Distribusi Jumlah Transaksi Berdasarkan Jenis Kelamin.
table(df_customer$Jenis_Kelamin)
##
## Laki-laki Perempuan
## 121 179
#10 Kategori Penghasilan
df_customer$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
freq <- as.data.frame(table(df_customer$Jenis_Kelamin))
freq
## Var1 Freq
## 1 Laki-laki 121
## 2 Perempuan 179
#TUGAS
#SOAL 1 : Siapa pelanggan yang paling sering membeli dengan total belanja lebih dari 5000000
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 %>%
filter(Total_Belanja > 5000000) %>%
arrange(desc(Total_Belanja)) %>%
select(ID_Pelanggan, Total_Belanja) %>%
head(10)
## ID_Pelanggan Total_Belanja
## 1 ID00034 11626302
## 2 ID00011 11527638
## 3 ID00057 11031197
## 4 ID00093 10984825
## 5 ID00007 10846012
## 6 ID00023 10739381
## 7 ID00036 10641105
## 8 ID00064 10615150
## 9 ID00074 10556216
## 10 ID00039 10344433
#SOAL 2 : Ada berapa banyak perempuan di kota yang berbelanja lebih dari 5x
df_customer %>%
filter(Jenis_Kelamin == "Perempuan",
Tempat_Tinggal == "Kota",
Total_Belanja > 5) %>%
head(10)
## X ID_Pelanggan Jenis_Kelamin Tempat_Tinggal Penghasilan Total_Belanja
## 1 2 ID00079 Perempuan Kota 9047608 8369550
## 2 3 ID00051 Perempuan Kota 9735540 8053033
## 3 11 ID00090 Perempuan Kota 10910287 10137674
## 4 12 ID00091 Perempuan Kota 11380394 9275845
## 5 13 ID00069 Perempuan Kota 8495268 6582132
## 6 14 ID00091 Perempuan Kota 7515754 6841960
## 7 16 ID00092 Perempuan Kota 11877653 7720654
## 8 19 ID00099 Perempuan Kota 7760130 9141069
## 9 20 ID00072 Perempuan Kota 4823122 7627379
## 10 21 ID00026 Perempuan Kota 10375300 8232816
## Kategori_Penghasilan
## 1 Menengah
## 2 Menengah
## 3 Tinggi
## 4 Tinggi
## 5 Menengah
## 6 Menengah
## 7 Tinggi
## 8 Menengah
## 9 Rendah
## 10 Tinggi
#SOAL 3 : Siapa pelanggan yang paling sering membeli dengan penghasilan lebih dari 5000000
df_customer %>%
filter(Penghasilan > 5000000) %>%
arrange(desc(Penghasilan)) %>%
select(ID_Pelanggan, Penghasilan) %>%
head(50)
## ID_Pelanggan Penghasilan
## 1 ID00023 16145151
## 2 ID00074 15936837
## 3 ID00089 15216794
## 4 ID00011 14915620
## 5 ID00017 14694660
## 6 ID00084 14649777
## 7 ID00060 14346584
## 8 ID00079 14218974
## 9 ID00094 14129788
## 10 ID00005 13866523
## 11 ID00053 13719595
## 12 ID00034 13710077
## 13 ID00014 13510126
## 14 ID00084 13498940
## 15 ID00084 13451286
## 16 ID00040 13425010
## 17 ID00092 13191447
## 18 ID00060 13091690
## 19 ID00024 12979003
## 20 ID00074 12967967
## 21 ID00076 12952952
## 22 ID00069 12913133
## 23 ID00077 12848491
## 24 ID00057 12812680
## 25 ID00026 12687363
## 26 ID00046 12685031
## 27 ID00087 12652738
## 28 ID00057 12566963
## 29 ID00052 12550633
## 30 ID00064 12547893
## 31 ID00045 12532086
## 32 ID00046 12526695
## 33 ID00007 12465915
## 34 ID00040 12455283
## 35 ID00045 12419648
## 36 ID00007 12418168
## 37 ID00089 12403160
## 38 ID00024 12261089
## 39 ID00026 12202947
## 40 ID00025 12165915
## 41 ID00059 12159121
## 42 ID00024 12116091
## 43 ID00090 12112261
## 44 ID00051 12101350
## 45 ID00037 11993451
## 46 ID00054 11975963
## 47 ID00092 11877653
## 48 ID00025 11870203
## 49 ID00037 11779005
## 50 ID00097 11760418
#SOAL 4 : Berjenis kelamin apa pelanggan yang tinggal di desa namun memiliki total belanja yang >5000000
df_customer %>%
filter(Tempat_Tinggal == "Desa" & Total_Belanja > 5000000) %>%
select(ID_Pelanggan, Jenis_Kelamin, Tempat_Tinggal, Total_Belanja)
## 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
#SOAL 5 : Berpenghasilan berapa pelanggan yang tinggal di desa namun memiliki total belanja >5000000
df_customer %>%
filter(Tempat_Tinggal == "Desa" & Total_Belanja > 5000000) %>%
select(ID_Pelanggan, Penghasilan, Tempat_Tinggal, Total_Belanja)
## 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