Mengaktifkan Packages

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
library(ggplot2)

Import Data

data_pendidikan <- read.csv("C:/Users/ACER/Downloads/dataset_pendidikan.csv")
head(data_pendidikan)
##   ID_Mahasiswa  IPK Semester Total_Kehadiran Total_Jam_Belajar Rata2_Jam_Tidur
## 1       MHS001 3.45        2              58               238             7.5
## 2       MHS002 3.13        5              54               246             7.1
## 3       MHS003 2.75        4              61                91             7.0
## 4       MHS004 3.52        4              67               162             6.6
## 5       MHS005 3.57        4              56               258             7.4
## 6       MHS006 3.52        7              56               222             7.5

Berapa jumlah mahasiswa yang memiliki IPK lebih besar atau sama dengan 3,5?

data_pendidikan %>%
  filter(IPK >= 3.5) %>%
summarise(jumlah=n())
##   jumlah
## 1     49

Jumlah mahasiswa yang memiliki IPK lebih besar atau sama dengan 3,5 adalah 49 mahasiswa.

Siapa saja yang menjadi top 3 IPK tertinggi?

data_pendidikan %>%
  arrange(desc(IPK)) %>%
  head(3)
##   ID_Mahasiswa IPK Semester Total_Kehadiran Total_Jam_Belajar Rata2_Jam_Tidur
## 1       MHS052   4        4              70               377             6.8
## 2       MHS111   4        6              61               258             7.2
## 3       MHS123   4        4              66               341             6.2

Mahasiswa yang menjadi TOP 3 IPK tertinggi adalah MHS052, MHS111, MHS123.

Buat kolom Kategori_IPK dengan case_when(): <2,50 = Kurang; 2,50-2,99 = Cukup; 3,00-3,49 = Baik; >=3,50 = Sangat Baik. Berapa mahasiswa yang masuk kategori “Baik”?

data_pendidikan %>%
  mutate(Kategori_IPK = case_when(
    IPK < 2.50 ~ "Kurang",
    IPK >= 2.50 & IPK < 3.00 ~ "Cukup",
    IPK >= 3.00 & IPK < 3.50 ~ "Baik",
    IPK >= 3.50 ~ "Sangat Baik"
  )) %>%
  filter(Kategori_IPK == "Baik") %>%
  summarise(jumlah = n())
##   jumlah
## 1     71

Sebanyak 71 mahasiswa masuk ke kategori “Baik”

Hitung rata-rata IPK per semester dengan group_by() dan summarise(). Semester berapa yang rata-rata IPK-nya tertinggi?

data_pendidikan %>%
  group_by(Semester) %>%
  summarise(rata_IPK = mean(IPK)) %>%
  arrange(desc(rata_IPK))
## # A tibble: 8 × 2
##   Semester rata_IPK
##      <int>    <dbl>
## 1        4     3.20
## 2        6     3.19
## 3        3     3.17
## 4        5     3.12
## 5        7     3.06
## 6        1     3.06
## 7        8     3.04
## 8        2     3.04

Semester dengan rata-rata IPK tertinggi adalah semester 4 dengan IPK rata-rata 3,20

Jumlah pertemuan per semester adalah 70 (= 100%). Buat kolom Persen_Kehadiran = Total_Kehadiran / 70 * 100. Berapa mahasiswa yang kehadirannya kurang dari 75%?

data_pendidikan %>%
  mutate(Persen_Kehadiran = Total_Kehadiran / 70 * 100) %>%
  filter(Persen_Kehadiran < 75) %>%
  summarise(jumlah = n())
##   jumlah
## 1     40

Sebanyak 40 mahasiswa kehadirannya kurang dari 75%

Mahasiswa “rajin tapi IPK rendah” didefinisikan sebagai jam belajar di atas median DAN IPK di bawah rata-rata IPK seluruh mahasiswa. Berapa jumlahnya?

data_pendidikan %>%
  filter(
    Total_Jam_Belajar > median(Total_Jam_Belajar),
    IPK < mean(IPK)
  ) %>%
  summarise(jumlah = n())
##   jumlah
## 1     17

Terdapat 17 mahasiswa yang termasuk rajin, tetapi memiliki IPK yang rendah.