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

#Import data

dataset_pendidikan <-read.csv("C:/Users/HP/psdt smt 1/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

#Berapa Jumlah total dalam data ini?

nrow(dataset_pendidikan)
## [1] 200

#Berapa Jumlah Mahasiswa yang memiliki IPK lebih besar atau sama dengan 3,5?

library(dplyr)
dataset_pendidikan %>%
  filter(IPK >= 3.5) %>%
  nrow()
## [1] 49

#Siapa saja yang menjadi top 3 IPK tertinggi?

#Mengurutkan dan mengambil 3 teratas
dataset_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

#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”?

library(dplyr)
dataset_pendidikan_kategori <- 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"
  ))
dataset_pendidikan_kategori %>%
  filter(kategori_IPK == "Baik") %>%
  count()
##    n
## 1 71

#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_Rata_IPK = mean(IPK, na.rm = TRUE)) %>%
  slice_max(Rata_Rata_IPK, n=1)
## # A tibble: 1 × 2
##   Semester Rata_Rata_IPK
##      <int>         <dbl>
## 1        4          3.20

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

dataset_pendidikan %>%
  mutate(Persen_Kehadiran = (Total_Kehadiran / 70) * 100) %>%
  filter(Persen_Kehadiran < 75) %>%
  count()
##    n
## 1 40

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

#Menghitung median jam belajar dan rata-rata IPKK
median_jam <- median (dataset_pendidikan$Total_Jam_Belajar, na.rm = TRUE)
mean_IPK <- mean (dataset_pendidikan$IPK, na.rm = TRUE)

#Filter mahasiswa "rajin tapi IPK rendah"
dataset_pendidikan %>%
  filter(Total_Jam_Belajar > median_jam & IPK < mean_IPK) %>%
  count()
##    n
## 1 17