kuis1

library(ggplot2)
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

Input Data

dataset_pendidikan <- read.csv("dataset_pendidikan.csv")
head(dataset_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

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

dataset_pendidikan %>%
  filter(IPK >= 3.5) %>%
  nrow()

## [1] 49

2.Siapa saja yang menjadi top 3 IPK tertinggi?

dataset_pendidikan %>%
  arrange(desc(IPK)) %>%
  select(ID_Mahasiswa, IPK) %>%
  head(3)

##   ID_Mahasiswa IPK
## 1       MHS052   4
## 2       MHS111   4
## 3       MHS123   4

3.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 <- dataset_pendidikan %>%
  mutate(
    Kategori_IPK = case_when(
      IPK < 2.50 ~ "Kurang",
      IPK >= 2.50 & IPK <= 2.99 ~ "Cukup",
      IPK >= 3.00 & IPK <= 3.49 ~ "Baik",
      IPK >= 3.50 ~ "Sangat Baik"
    )
  )

data %>%
  count(Kategori_IPK)

##   Kategori_IPK  n
## 1         Baik 71
## 2        Cukup 63
## 3       Kurang 17
## 4  Sangat Baik 49

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

dataset_pendidikan %>%
  group_by(Semester) %>%
  summarise(rata_IPK = mean(IPK, na.rm = TRUE)) %>%
  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

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

data <- data %>%
  mutate(Persen_Kehadiran = Total_Kehadiran / 70 * 100)

data %>%
  filter(Persen_Kehadiran < 75) %>%
  nrow()

## [1] 40

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

dataset_pendidikan %>%
  filter(
    Total_Jam_Belajar > median(Total_Jam_Belajar, na.rm = TRUE),
    IPK < mean(IPK, na.rm = TRUE)
  ) %>%
  nrow()

## [1] 17