Email         : clara.evania@student.matanauniversity.ac.id
RPubs       : https://rpubs.com/claradellaevania/
Jurusan : Statistika Bisnis
Address : ARA Center, Matana University Tower
   Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

1 Membuat Program dengan List R

Buat sebuah list untuk menyimpan 5 orang teman dekatmu
Pilihlah satu orang dari list tersebut yang menjadi teman paling dekatmu dengan menggunakan index
Gantilah satu orang yang tidak begitu dekat denganmu dengan teman baru yang kamu temui baru-baru ini
Bagaimana caranya anda menghitung banyak teman yang ada dalam list tersebut

1.1 List menyimpan 5 orang teman terdekat

list0 = list()  # membuat list kosong
list1 = list("Ocha", "Aya", "Stephanie", "Tiara", "Karen")# membuat list 5 orang teman dekat
print(list1)

## [[1]]
## [1] "Ocha"
## 
## [[2]]
## [1] "Aya"
## 
## [[3]]
## [1] "Stephanie"
## 
## [[4]]
## [1] "Tiara"
## 
## [[5]]
## [1] "Karen"

1.2 Memilih 1 orang jadi teman dekat

print(list1[1])     # print nilai pada index 2 (teman paling dekat)

## [[1]]
## [1] "Ocha"

1.3 Mengganti nama orang yang tidak begitu dekat dengan teman baru yang baru-baru ini

list1[3] ="Monica"  # mengganti nama 
print(list1)        # print list yang sudah diganti

## [[1]]
## [1] "Ocha"
## 
## [[2]]
## [1] "Aya"
## 
## [[3]]
## [1] "Monica"
## 
## [[4]]
## [1] "Tiara"
## 
## [[5]]
## [1] "Karen"

1.4 Menghitung Banyak Teman yang ada di List

length(list1)       # mengetahui Jumlah anggota dari list1

## [1] 5

2 Menyimpan Tuple

Buatlah Tuple dengan 5 item didalamnya
Perlihatkan cara Mengakses Nilai Tuple
Bagaiman anda melakukan Slicing Nilai Tuple
Nested Tuple
Unpacking Sequence ## Membuat Tuple dengan 5 item

library(sets) #Memanggil library
tuple0 = tuple() #Membuat tuple 0 item
tuple1 = tuple("Success", "isn't", "given", "it's", "earned")
tuple2 = tuple("hai", "semua", "jangan", "lupa", "bahagia")
print(tuple1)

## ("Success", "isn't", "given", "it's", "earned")

2.1 Cara Mengakses Nilai Tuple

print(tuple1[1])

## ("Success")

print(tuple1[2])

## ("isn't")

print(tuple1[3])

## ("given")

print(tuple1[4])

## ("it's")

print(tuple1[5])

## ("earned")

2.2 Slicing Nilai Tuple

print(tuple1[1:2])

## ("Success", "isn't")

print(tuple1[2:3])

## ("isn't", "given")

print(tuple1[3:4])

## ("given", "it's")

print(tuple1[4:5])

## ("it's", "earned")

print(tuple1[1:3])

## ("Success", "isn't", "given")

print(tuple1[1:4])

## ("Success", "isn't", "given", "it's")

print(tuple1[1:5])

## ("Success", "isn't", "given", "it's", "earned")

2.3 Nested Tuple

tuple3 = c(tuple1,tuple2)
print(tuple3)

## ("Success", "isn't", "given", "it's", "earned", "hai", "semua",
##  "jangan", "lupa", "bahagia")

tuple4 = rep(tuple1,50)
print(tuple4)

## ("Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned", "Success", "isn't",
##  "given", "it's", "earned", "Success", "isn't", "given", "it's",
##  "earned", "Success", "isn't", "given", "it's", "earned", "Success",
##  "isn't", "given", "it's", "earned", "Success", "isn't", "given",
##  "it's", "earned", "Success", "isn't", "given", "it's", "earned",
##  "Success", "isn't", "given", "it's", "earned")

2.4 Unpacking Sequence

tuple1 = tuple("Success", "isn't", "given", "it's", "earned")
names(tuple1) = c("index1", "index2", "index3", "index4", "index5")
print(tuple1)

## (index1 = "Success", index2 = "isn't", index3 = "given", index4 =
##  "it's", index5 = "earned")

3 Penyimpanan Dictionary

Akses suatu nilai Item dari Dictionary
Ubah suatu Nilai Item pada Dictionary
Menambahkan Item ke Dictionary
Menghapus Item dari Dictionary

3.1 Mengakses nilai item dari Dictionary

library(Dict)

## 
## Attaching package: 'Dict'

## The following object is masked from 'package:sets':
## 
##     %>%

claraevania = dict(
  nama = "Clara Della",
  asal = "Jakarta",
  hobi = list("menyanyi","berenang","nonton film"),
   asalsekolah = tuple(smp = "Abdi Siswa Jakarta", sma = "Stella Duce 2 Yogyakarta")
)
cat("saya tinggal di :", claraevania$get('asal'))

## saya tinggal di : Jakarta

print(claraevania$get('asalsekolah')['sma'])

## (sma = "Stella Duce 2 Yogyakarta")

3.2 Mengubah suatu nilai item pada Dictionary

claraevania['nama']= "Clara Della Evania"
claraevania['asal']= "Jakarta Barat" 
print(claraevania)

## # A tibble: 4 x 2
##   key         value     
##   <chr>       <list>    
## 1 asal        <chr [1]> 
## 2 asalsekolah <tuple>   
## 3 hobi        <list [3]>
## 4 nama        <chr [1]>

3.3 Menambahkan Item ke Dictionary

claraevania$add(umur= 19L)
print(claraevania)

## # A tibble: 5 x 2
##   key         value     
##   <chr>       <list>    
## 1 asal        <chr [1]> 
## 2 asalsekolah <tuple>   
## 3 hobi        <list [3]>
## 4 nama        <chr [1]> 
## 5 umur        <int [1]>

3.4 Menghapus Item dari Dicrionary

claraevania$remove("asal")
print(claraevania)

## # A tibble: 4 x 2
##   key         value     
##   <chr>       <list>    
## 1 asalsekolah <tuple>   
## 2 hobi        <list [3]>
## 3 nama        <chr [1]> 
## 4 umur        <int [1]>

4 Menemukan Operasi Pengindeksan, Pengirisan, dan Subsetting Data Frame

4.1 Membentuk Data Frame

df1_R = data.frame(kode = c(1:5),
                   nama = c("Rosalia", "Marcello", "Monica", "Maria", "Valeria"),
Umur=c("19","20","20","18","19"),
asal = c("Yogyakarta","Maluku","Jakarta","Tangerang","Jakarta"),
jurusan = c("Akuntansi","Hospar","FisMed","StatBis","Manejemen"),
UKM = c("Paduansuara","karate","Basket", "Paduansuara", "Basket"),
IPK = c(3.86,4,3.68,4,3.93))

df2_R = data.frame(kode = c(6:10),
                   nama = c("Clara", "Jonathan", "Cathrine", "Samuel", "Jessica"),
Umur=c("20","18","19","18","20"),
asal = c("Jakarta","Lampung","Bali","Semarang","Tangerang"),
jurusan = c("TI","StatBis","Hospar","Akuntansi","Arsitektur"),
UKM = c("Basket","Futsal","Paduansuara", "Futsal", "Basket"),
IPK = c(4,4,3.76,3.83,3.97))

4.2 Operasi yang dapat dilakukan pada data frame R adalah

4.2.1 Menggabungkan 2 data frame

df3_R = rbind(df1_R,df2_R) # untuk menggabungkan kedua data frame
print(df3_R) # Mencetak hasil 'df3_R'

##    kode     nama Umur       asal    jurusan         UKM  IPK
## 1     1  Rosalia   19 Yogyakarta  Akuntansi Paduansuara 3.86
## 2     2 Marcello   20     Maluku     Hospar      karate 4.00
## 3     3   Monica   20    Jakarta     FisMed      Basket 3.68
## 4     4    Maria   18  Tangerang    StatBis Paduansuara 4.00
## 5     5  Valeria   19    Jakarta  Manejemen      Basket 3.93
## 6     6    Clara   20    Jakarta         TI      Basket 4.00
## 7     7 Jonathan   18    Lampung    StatBis      Futsal 4.00
## 8     8 Cathrine   19       Bali     Hospar Paduansuara 3.76
## 9     9   Samuel   18   Semarang  Akuntansi      Futsal 3.83
## 10   10  Jessica   20  Tangerang Arsitektur      Basket 3.97

4.2.2 Mencetak Enam baris pertama dan terakhir

head(df3_R)     # Mencetak 6 baris dari pertama

##   kode     nama Umur       asal   jurusan         UKM  IPK
## 1    1  Rosalia   19 Yogyakarta Akuntansi Paduansuara 3.86
## 2    2 Marcello   20     Maluku    Hospar      karate 4.00
## 3    3   Monica   20    Jakarta    FisMed      Basket 3.68
## 4    4    Maria   18  Tangerang   StatBis Paduansuara 4.00
## 5    5  Valeria   19    Jakarta Manejemen      Basket 3.93
## 6    6    Clara   20    Jakarta        TI      Basket 4.00

tail(df3_R)     # Mencetak 6 baris dari bawah

##    kode     nama Umur      asal    jurusan         UKM  IPK
## 5     5  Valeria   19   Jakarta  Manejemen      Basket 3.93
## 6     6    Clara   20   Jakarta         TI      Basket 4.00
## 7     7 Jonathan   18   Lampung    StatBis      Futsal 4.00
## 8     8 Cathrine   19      Bali     Hospar Paduansuara 3.76
## 9     9   Samuel   18  Semarang  Akuntansi      Futsal 3.83
## 10   10  Jessica   20 Tangerang Arsitektur      Basket 3.97

head(df3_R ,5)  # Mencetak 5 baris dari pertama

##   kode     nama Umur       asal   jurusan         UKM  IPK
## 1    1  Rosalia   19 Yogyakarta Akuntansi Paduansuara 3.86
## 2    2 Marcello   20     Maluku    Hospar      karate 4.00
## 3    3   Monica   20    Jakarta    FisMed      Basket 3.68
## 4    4    Maria   18  Tangerang   StatBis Paduansuara 4.00
## 5    5  Valeria   19    Jakarta Manejemen      Basket 3.93

View(df3_R)     # Melihat data frame di Rstudio seperti Excel

4.2.3 Mengecheck Tipe,Stukrut,Dimensi,dan Summary

class(df3_R)    # Mengecheck Tipe Data Frame

## [1] "data.frame"

str(df3_R)      # Mengecheck Struktur Data Frame

## 'data.frame':    10 obs. of  7 variables:
##  $ kode   : int  1 2 3 4 5 6 7 8 9 10
##  $ nama   : chr  "Rosalia" "Marcello" "Monica" "Maria" ...
##  $ Umur   : chr  "19" "20" "20" "18" ...
##  $ asal   : chr  "Yogyakarta" "Maluku" "Jakarta" "Tangerang" ...
##  $ jurusan: chr  "Akuntansi" "Hospar" "FisMed" "StatBis" ...
##  $ UKM    : chr  "Paduansuara" "karate" "Basket" "Paduansuara" ...
##  $ IPK    : num  3.86 4 3.68 4 3.93 4 4 3.76 3.83 3.97

dim(df3_R)      # Mengecheck Dimensi Data

## [1] 10  7

summary(df3_R)  # Summary Statistik Dasar

##       kode           nama               Umur               asal          
##  Min.   : 1.00   Length:10          Length:10          Length:10         
##  1st Qu.: 3.25   Class :character   Class :character   Class :character  
##  Median : 5.50   Mode  :character   Mode  :character   Mode  :character  
##  Mean   : 5.50                                                           
##  3rd Qu.: 7.75                                                           
##  Max.   :10.00                                                           
##    jurusan              UKM                 IPK       
##  Length:10          Length:10          Min.   :3.680  
##  Class :character   Class :character   1st Qu.:3.837  
##  Mode  :character   Mode  :character   Median :3.950  
##                                        Mean   :3.903  
##                                        3rd Qu.:4.000  
##                                        Max.   :4.000

4.3 Merekayasa Data Frame

No=(1:52)
Nama= c(LETTERS,letters)
Jenis_Kelamin= sample(rep(c("Wanita","Pria"), times=26))

# Menghasilkan tanggal lahir dengan time series
tiga_tahun = seq(as.Date("1996/03/01"), by="year",length.out=4)
Tanggal_Lahir = rep(tiga_tahun,times=13)

# Kategori Universitas
univ1= rep("Negeri", times=26)
univ2= rep("Swasta", times=16)
univ3= rep("LN", times=10)
Universitas= sample(c(univ1,univ2,univ3))

gpa= runif(52,min=3.00,max=4.00)
GPA= round(gpa,digits=2)
Gaji= sample(600:1200,52, replace=T)

Karyawan_R = data.frame(No,
                        Nama,
                        Jenis_Kelamin,
                        Tanggal_Lahir,
                        Universitas,
                        GPA,
                        Gaji)
print(Karyawan_R)

##    No Nama Jenis_Kelamin Tanggal_Lahir Universitas  GPA Gaji
## 1   1    A        Wanita    1996-03-01      Swasta 3.75  673
## 2   2    B          Pria    1997-03-01      Negeri 3.50  908
## 3   3    C        Wanita    1998-03-01      Swasta 3.08  661
## 4   4    D        Wanita    1999-03-01      Swasta 3.36 1016
## 5   5    E          Pria    1996-03-01          LN 3.84  907
## 6   6    F          Pria    1997-03-01      Negeri 3.57  676
## 7   7    G        Wanita    1998-03-01      Negeri 3.25  719
## 8   8    H          Pria    1999-03-01      Negeri 3.71  878
## 9   9    I          Pria    1996-03-01      Negeri 3.68  829
## 10 10    J        Wanita    1997-03-01      Negeri 3.70 1147
## 11 11    K          Pria    1998-03-01      Swasta 3.32  776
## 12 12    L          Pria    1999-03-01      Swasta 3.02  643
## 13 13    M        Wanita    1996-03-01      Swasta 3.64  822
## 14 14    N          Pria    1997-03-01      Negeri 3.20  699
## 15 15    O        Wanita    1998-03-01      Swasta 3.25 1149
## 16 16    P          Pria    1999-03-01      Swasta 3.74  764
## 17 17    Q        Wanita    1996-03-01      Negeri 3.49  972
## 18 18    R          Pria    1997-03-01      Negeri 3.48  804
## 19 19    S          Pria    1998-03-01      Swasta 3.98  852
## 20 20    T        Wanita    1999-03-01          LN 3.18  893
## 21 21    U          Pria    1996-03-01          LN 3.28 1047
## 22 22    V        Wanita    1997-03-01      Negeri 3.60 1038
## 23 23    W        Wanita    1998-03-01      Negeri 3.40  703
## 24 24    X        Wanita    1999-03-01      Negeri 3.14  648
## 25 25    Y          Pria    1996-03-01      Swasta 3.37  740
## 26 26    Z          Pria    1997-03-01      Swasta 3.04  979
## 27 27    a          Pria    1998-03-01          LN 3.81  953
## 28 28    b          Pria    1999-03-01      Negeri 3.23 1088
## 29 29    c        Wanita    1996-03-01      Negeri 3.20 1151
## 30 30    d        Wanita    1997-03-01          LN 3.52  775
## 31 31    e        Wanita    1998-03-01          LN 3.91  830
## 32 32    f          Pria    1999-03-01      Negeri 3.66  606
## 33 33    g        Wanita    1996-03-01      Negeri 3.10  788
## 34 34    h        Wanita    1997-03-01      Swasta 3.48  654
## 35 35    i        Wanita    1998-03-01      Negeri 3.04 1189
## 36 36    j        Wanita    1999-03-01      Negeri 3.84 1115
## 37 37    k          Pria    1996-03-01      Negeri 3.77  742
## 38 38    l        Wanita    1997-03-01          LN 3.81  968
## 39 39    m          Pria    1998-03-01          LN 3.60 1011
## 40 40    n          Pria    1999-03-01      Swasta 3.01  885
## 41 41    o          Pria    1996-03-01      Negeri 3.83  727
## 42 42    p          Pria    1997-03-01      Negeri 3.14 1173
## 43 43    q        Wanita    1998-03-01      Negeri 3.43  607
## 44 44    r        Wanita    1999-03-01      Swasta 3.77  640
## 45 45    s          Pria    1996-03-01      Swasta 3.14 1073
## 46 46    t          Pria    1997-03-01          LN 4.00 1099
## 47 47    u          Pria    1998-03-01      Negeri 3.55  959
## 48 48    v          Pria    1999-03-01          LN 3.97 1007
## 49 49    w        Wanita    1996-03-01      Swasta 3.90 1102
## 50 50    x        Wanita    1997-03-01      Negeri 3.34  730
## 51 51    y        Wanita    1998-03-01      Negeri 3.67  703
## 52 52    z        Wanita    1999-03-01      Negeri 3.47 1038

4.4 Ekstraksi Data Frame (Operasi Pengindeksan, Pengirisan, dan Subsetting)

4.4.1 Mengecheck tipe data

typeof(Karyawan_R)

## [1] "list"

class(Karyawan_R)

## [1] "data.frame"

4.4.2 Mengestrak elemen,spesifik

Karyawan_R[1,5] # ekstrak elemen dibaris ke 1 dan kolom ke-5

## [1] "Swasta"

Karyawan_R[,c('Nama','GPA')]  # ekstrak spesifikasi kolom ('Nama','GPA')

##    Nama  GPA
## 1     A 3.75
## 2     B 3.50
## 3     C 3.08
## 4     D 3.36
## 5     E 3.84
## 6     F 3.57
## 7     G 3.25
## 8     H 3.71
## 9     I 3.68
## 10    J 3.70
## 11    K 3.32
## 12    L 3.02
## 13    M 3.64
## 14    N 3.20
## 15    O 3.25
## 16    P 3.74
## 17    Q 3.49
## 18    R 3.48
## 19    S 3.98
## 20    T 3.18
## 21    U 3.28
## 22    V 3.60
## 23    W 3.40
## 24    X 3.14
## 25    Y 3.37
## 26    Z 3.04
## 27    a 3.81
## 28    b 3.23
## 29    c 3.20
## 30    d 3.52
## 31    e 3.91
## 32    f 3.66
## 33    g 3.10
## 34    h 3.48
## 35    i 3.04
## 36    j 3.84
## 37    k 3.77
## 38    l 3.81
## 39    m 3.60
## 40    n 3.01
## 41    o 3.83
## 42    p 3.14
## 43    q 3.43
## 44    r 3.77
## 45    s 3.14
## 46    t 4.00
## 47    u 3.55
## 48    v 3.97
## 49    w 3.90
## 50    x 3.34
## 51    y 3.67
## 52    z 3.47

Karyawan_R[1:5,]  # ekstrak 5 baris pertama

##   No Nama Jenis_Kelamin Tanggal_Lahir Universitas  GPA Gaji
## 1  1    A        Wanita    1996-03-01      Swasta 3.75  673
## 2  2    B          Pria    1997-03-01      Negeri 3.50  908
## 3  3    C        Wanita    1998-03-01      Swasta 3.08  661
## 4  4    D        Wanita    1999-03-01      Swasta 3.36 1016
## 5  5    E          Pria    1996-03-01          LN 3.84  907

Karyawan_R[,1:5]  # ekstrak 5 kolom pertama

##    No Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1   1    A        Wanita    1996-03-01      Swasta
## 2   2    B          Pria    1997-03-01      Negeri
## 3   3    C        Wanita    1998-03-01      Swasta
## 4   4    D        Wanita    1999-03-01      Swasta
## 5   5    E          Pria    1996-03-01          LN
## 6   6    F          Pria    1997-03-01      Negeri
## 7   7    G        Wanita    1998-03-01      Negeri
## 8   8    H          Pria    1999-03-01      Negeri
## 9   9    I          Pria    1996-03-01      Negeri
## 10 10    J        Wanita    1997-03-01      Negeri
## 11 11    K          Pria    1998-03-01      Swasta
## 12 12    L          Pria    1999-03-01      Swasta
## 13 13    M        Wanita    1996-03-01      Swasta
## 14 14    N          Pria    1997-03-01      Negeri
## 15 15    O        Wanita    1998-03-01      Swasta
## 16 16    P          Pria    1999-03-01      Swasta
## 17 17    Q        Wanita    1996-03-01      Negeri
## 18 18    R          Pria    1997-03-01      Negeri
## 19 19    S          Pria    1998-03-01      Swasta
## 20 20    T        Wanita    1999-03-01          LN
## 21 21    U          Pria    1996-03-01          LN
## 22 22    V        Wanita    1997-03-01      Negeri
## 23 23    W        Wanita    1998-03-01      Negeri
## 24 24    X        Wanita    1999-03-01      Negeri
## 25 25    Y          Pria    1996-03-01      Swasta
## 26 26    Z          Pria    1997-03-01      Swasta
## 27 27    a          Pria    1998-03-01          LN
## 28 28    b          Pria    1999-03-01      Negeri
## 29 29    c        Wanita    1996-03-01      Negeri
## 30 30    d        Wanita    1997-03-01          LN
## 31 31    e        Wanita    1998-03-01          LN
## 32 32    f          Pria    1999-03-01      Negeri
## 33 33    g        Wanita    1996-03-01      Negeri
## 34 34    h        Wanita    1997-03-01      Swasta
## 35 35    i        Wanita    1998-03-01      Negeri
## 36 36    j        Wanita    1999-03-01      Negeri
## 37 37    k          Pria    1996-03-01      Negeri
## 38 38    l        Wanita    1997-03-01          LN
## 39 39    m          Pria    1998-03-01          LN
## 40 40    n          Pria    1999-03-01      Swasta
## 41 41    o          Pria    1996-03-01      Negeri
## 42 42    p          Pria    1997-03-01      Negeri
## 43 43    q        Wanita    1998-03-01      Negeri
## 44 44    r        Wanita    1999-03-01      Swasta
## 45 45    s          Pria    1996-03-01      Swasta
## 46 46    t          Pria    1997-03-01          LN
## 47 47    u          Pria    1998-03-01      Negeri
## 48 48    v          Pria    1999-03-01          LN
## 49 49    w        Wanita    1996-03-01      Swasta
## 50 50    x        Wanita    1997-03-01      Negeri
## 51 51    y        Wanita    1998-03-01      Negeri
## 52 52    z        Wanita    1999-03-01      Negeri

subset(Karyawan_R, select=Universitas)  # ekstrak spesifik kolom Universitas

##    Universitas
## 1       Swasta
## 2       Negeri
## 3       Swasta
## 4       Swasta
## 5           LN
## 6       Negeri
## 7       Negeri
## 8       Negeri
## 9       Negeri
## 10      Negeri
## 11      Swasta
## 12      Swasta
## 13      Swasta
## 14      Negeri
## 15      Swasta
## 16      Swasta
## 17      Negeri
## 18      Negeri
## 19      Swasta
## 20          LN
## 21          LN
## 22      Negeri
## 23      Negeri
## 24      Negeri
## 25      Swasta
## 26      Swasta
## 27          LN
## 28      Negeri
## 29      Negeri
## 30          LN
## 31          LN
## 32      Negeri
## 33      Negeri
## 34      Swasta
## 35      Negeri
## 36      Negeri
## 37      Negeri
## 38          LN
## 39          LN
## 40      Swasta
## 41      Negeri
## 42      Negeri
## 43      Negeri
## 44      Swasta
## 45      Swasta
## 46          LN
## 47      Negeri
## 48          LN
## 49      Swasta
## 50      Negeri
## 51      Negeri
## 52      Negeri

subset(Karyawan_R, select= c(3,4))  # ekstrak kolom 3 dan kolom 4

##    Jenis_Kelamin Tanggal_Lahir
## 1         Wanita    1996-03-01
## 2           Pria    1997-03-01
## 3         Wanita    1998-03-01
## 4         Wanita    1999-03-01
## 5           Pria    1996-03-01
## 6           Pria    1997-03-01
## 7         Wanita    1998-03-01
## 8           Pria    1999-03-01
## 9           Pria    1996-03-01
## 10        Wanita    1997-03-01
## 11          Pria    1998-03-01
## 12          Pria    1999-03-01
## 13        Wanita    1996-03-01
## 14          Pria    1997-03-01
## 15        Wanita    1998-03-01
## 16          Pria    1999-03-01
## 17        Wanita    1996-03-01
## 18          Pria    1997-03-01
## 19          Pria    1998-03-01
## 20        Wanita    1999-03-01
## 21          Pria    1996-03-01
## 22        Wanita    1997-03-01
## 23        Wanita    1998-03-01
## 24        Wanita    1999-03-01
## 25          Pria    1996-03-01
## 26          Pria    1997-03-01
## 27          Pria    1998-03-01
## 28          Pria    1999-03-01
## 29        Wanita    1996-03-01
## 30        Wanita    1997-03-01
## 31        Wanita    1998-03-01
## 32          Pria    1999-03-01
## 33        Wanita    1996-03-01
## 34        Wanita    1997-03-01
## 35        Wanita    1998-03-01
## 36        Wanita    1999-03-01
## 37          Pria    1996-03-01
## 38        Wanita    1997-03-01
## 39          Pria    1998-03-01
## 40          Pria    1999-03-01
## 41          Pria    1996-03-01
## 42          Pria    1997-03-01
## 43        Wanita    1998-03-01
## 44        Wanita    1999-03-01
## 45          Pria    1996-03-01
## 46          Pria    1997-03-01
## 47          Pria    1998-03-01
## 48          Pria    1999-03-01
## 49        Wanita    1996-03-01
## 50        Wanita    1997-03-01
## 51        Wanita    1998-03-01
## 52        Wanita    1999-03-01

4.4.3 Menambahkan Variabel

Karyawan_R$Pajak = Karyawan_R$Gaji*0.05
Karyawan_R$Gaji_Bersih = Karyawan_R$Gaji-Karyawan_R$Pajak
Karyawan_R$Gaji_Group1 = Karyawan_R$Gaji>1000
Karyawan_R$Gaji_Group2 = ifelse(Karyawan_R$Gaji >1000,
                                "Gaji Besar",
                                "Gaji Kecil")
Karyawan_R$Gaji_Group3 = factor(Karyawan_R$GPA >3.70 & 
                                Karyawan_R$Gaji>1000,
                                label = c("level 1","level 2"))
print(Karyawan_R)

##    No Nama Jenis_Kelamin Tanggal_Lahir Universitas  GPA Gaji Pajak Gaji_Bersih
## 1   1    A        Wanita    1996-03-01      Swasta 3.75  673 33.65      639.35
## 2   2    B          Pria    1997-03-01      Negeri 3.50  908 45.40      862.60
## 3   3    C        Wanita    1998-03-01      Swasta 3.08  661 33.05      627.95
## 4   4    D        Wanita    1999-03-01      Swasta 3.36 1016 50.80      965.20
## 5   5    E          Pria    1996-03-01          LN 3.84  907 45.35      861.65
## 6   6    F          Pria    1997-03-01      Negeri 3.57  676 33.80      642.20
## 7   7    G        Wanita    1998-03-01      Negeri 3.25  719 35.95      683.05
## 8   8    H          Pria    1999-03-01      Negeri 3.71  878 43.90      834.10
## 9   9    I          Pria    1996-03-01      Negeri 3.68  829 41.45      787.55
## 10 10    J        Wanita    1997-03-01      Negeri 3.70 1147 57.35     1089.65
## 11 11    K          Pria    1998-03-01      Swasta 3.32  776 38.80      737.20
## 12 12    L          Pria    1999-03-01      Swasta 3.02  643 32.15      610.85
## 13 13    M        Wanita    1996-03-01      Swasta 3.64  822 41.10      780.90
## 14 14    N          Pria    1997-03-01      Negeri 3.20  699 34.95      664.05
## 15 15    O        Wanita    1998-03-01      Swasta 3.25 1149 57.45     1091.55
## 16 16    P          Pria    1999-03-01      Swasta 3.74  764 38.20      725.80
## 17 17    Q        Wanita    1996-03-01      Negeri 3.49  972 48.60      923.40
## 18 18    R          Pria    1997-03-01      Negeri 3.48  804 40.20      763.80
## 19 19    S          Pria    1998-03-01      Swasta 3.98  852 42.60      809.40
## 20 20    T        Wanita    1999-03-01          LN 3.18  893 44.65      848.35
## 21 21    U          Pria    1996-03-01          LN 3.28 1047 52.35      994.65
## 22 22    V        Wanita    1997-03-01      Negeri 3.60 1038 51.90      986.10
## 23 23    W        Wanita    1998-03-01      Negeri 3.40  703 35.15      667.85
## 24 24    X        Wanita    1999-03-01      Negeri 3.14  648 32.40      615.60
## 25 25    Y          Pria    1996-03-01      Swasta 3.37  740 37.00      703.00
## 26 26    Z          Pria    1997-03-01      Swasta 3.04  979 48.95      930.05
## 27 27    a          Pria    1998-03-01          LN 3.81  953 47.65      905.35
## 28 28    b          Pria    1999-03-01      Negeri 3.23 1088 54.40     1033.60
## 29 29    c        Wanita    1996-03-01      Negeri 3.20 1151 57.55     1093.45
## 30 30    d        Wanita    1997-03-01          LN 3.52  775 38.75      736.25
## 31 31    e        Wanita    1998-03-01          LN 3.91  830 41.50      788.50
## 32 32    f          Pria    1999-03-01      Negeri 3.66  606 30.30      575.70
## 33 33    g        Wanita    1996-03-01      Negeri 3.10  788 39.40      748.60
## 34 34    h        Wanita    1997-03-01      Swasta 3.48  654 32.70      621.30
## 35 35    i        Wanita    1998-03-01      Negeri 3.04 1189 59.45     1129.55
## 36 36    j        Wanita    1999-03-01      Negeri 3.84 1115 55.75     1059.25
## 37 37    k          Pria    1996-03-01      Negeri 3.77  742 37.10      704.90
## 38 38    l        Wanita    1997-03-01          LN 3.81  968 48.40      919.60
## 39 39    m          Pria    1998-03-01          LN 3.60 1011 50.55      960.45
## 40 40    n          Pria    1999-03-01      Swasta 3.01  885 44.25      840.75
## 41 41    o          Pria    1996-03-01      Negeri 3.83  727 36.35      690.65
## 42 42    p          Pria    1997-03-01      Negeri 3.14 1173 58.65     1114.35
## 43 43    q        Wanita    1998-03-01      Negeri 3.43  607 30.35      576.65
## 44 44    r        Wanita    1999-03-01      Swasta 3.77  640 32.00      608.00
## 45 45    s          Pria    1996-03-01      Swasta 3.14 1073 53.65     1019.35
## 46 46    t          Pria    1997-03-01          LN 4.00 1099 54.95     1044.05
## 47 47    u          Pria    1998-03-01      Negeri 3.55  959 47.95      911.05
## 48 48    v          Pria    1999-03-01          LN 3.97 1007 50.35      956.65
## 49 49    w        Wanita    1996-03-01      Swasta 3.90 1102 55.10     1046.90
## 50 50    x        Wanita    1997-03-01      Negeri 3.34  730 36.50      693.50
## 51 51    y        Wanita    1998-03-01      Negeri 3.67  703 35.15      667.85
## 52 52    z        Wanita    1999-03-01      Negeri 3.47 1038 51.90      986.10
##    Gaji_Group1 Gaji_Group2 Gaji_Group3
## 1        FALSE  Gaji Kecil     level 1
## 2        FALSE  Gaji Kecil     level 1
## 3        FALSE  Gaji Kecil     level 1
## 4         TRUE  Gaji Besar     level 1
## 5        FALSE  Gaji Kecil     level 1
## 6        FALSE  Gaji Kecil     level 1
## 7        FALSE  Gaji Kecil     level 1
## 8        FALSE  Gaji Kecil     level 1
## 9        FALSE  Gaji Kecil     level 1
## 10        TRUE  Gaji Besar     level 1
## 11       FALSE  Gaji Kecil     level 1
## 12       FALSE  Gaji Kecil     level 1
## 13       FALSE  Gaji Kecil     level 1
## 14       FALSE  Gaji Kecil     level 1
## 15        TRUE  Gaji Besar     level 1
## 16       FALSE  Gaji Kecil     level 1
## 17       FALSE  Gaji Kecil     level 1
## 18       FALSE  Gaji Kecil     level 1
## 19       FALSE  Gaji Kecil     level 1
## 20       FALSE  Gaji Kecil     level 1
## 21        TRUE  Gaji Besar     level 1
## 22        TRUE  Gaji Besar     level 1
## 23       FALSE  Gaji Kecil     level 1
## 24       FALSE  Gaji Kecil     level 1
## 25       FALSE  Gaji Kecil     level 1
## 26       FALSE  Gaji Kecil     level 1
## 27       FALSE  Gaji Kecil     level 1
## 28        TRUE  Gaji Besar     level 1
## 29        TRUE  Gaji Besar     level 1
## 30       FALSE  Gaji Kecil     level 1
## 31       FALSE  Gaji Kecil     level 1
## 32       FALSE  Gaji Kecil     level 1
## 33       FALSE  Gaji Kecil     level 1
## 34       FALSE  Gaji Kecil     level 1
## 35        TRUE  Gaji Besar     level 1
## 36        TRUE  Gaji Besar     level 2
## 37       FALSE  Gaji Kecil     level 1
## 38       FALSE  Gaji Kecil     level 1
## 39        TRUE  Gaji Besar     level 1
## 40       FALSE  Gaji Kecil     level 1
## 41       FALSE  Gaji Kecil     level 1
## 42        TRUE  Gaji Besar     level 1
## 43       FALSE  Gaji Kecil     level 1
## 44       FALSE  Gaji Kecil     level 1
## 45        TRUE  Gaji Besar     level 1
## 46        TRUE  Gaji Besar     level 2
## 47       FALSE  Gaji Kecil     level 1
## 48        TRUE  Gaji Besar     level 2
## 49        TRUE  Gaji Besar     level 2
## 50       FALSE  Gaji Kecil     level 1
## 51       FALSE  Gaji Kecil     level 1
## 52        TRUE  Gaji Besar     level 1

min(Karyawan_R$Gaji)    # Nilai minimum

## [1] 606

max(Karyawan_R$Gaji)    # Nilai Maximum

## [1] 1189

mean(Karyawan_R$Gaji)   # Nilai Rata-rata

## [1] 876.0769

var(Karyawan_R$Gaji)    # Nilai variasi

## [1] 30683.84

sd(Karyawan_R$Gaji)     # Nilai standar Deverensiasi

## [1] 175.168

summary(Karyawan_R$Gaji)# Statistik Dasar Data

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   606.0   725.0   865.0   876.1  1021.5  1189.0

5 Operasi Ganti Nama Variabel

rename_1= Karyawan_R
names(rename_1)= c("kode",
                  "nama panggilan",
                  "jenis kelamin",
                  "tanggal lahir",
                  "univ",
                  "ipk",
                  "gaji",
                  "pajak",
                  "gaji bersih",
                  "gaji group 1",
                  "gaji group 2",
                  "gaji group 3")
rename_1

##    kode nama panggilan jenis kelamin tanggal lahir   univ  ipk gaji pajak
## 1     1              A        Wanita    1996-03-01 Swasta 3.75  673 33.65
## 2     2              B          Pria    1997-03-01 Negeri 3.50  908 45.40
## 3     3              C        Wanita    1998-03-01 Swasta 3.08  661 33.05
## 4     4              D        Wanita    1999-03-01 Swasta 3.36 1016 50.80
## 5     5              E          Pria    1996-03-01     LN 3.84  907 45.35
## 6     6              F          Pria    1997-03-01 Negeri 3.57  676 33.80
## 7     7              G        Wanita    1998-03-01 Negeri 3.25  719 35.95
## 8     8              H          Pria    1999-03-01 Negeri 3.71  878 43.90
## 9     9              I          Pria    1996-03-01 Negeri 3.68  829 41.45
## 10   10              J        Wanita    1997-03-01 Negeri 3.70 1147 57.35
## 11   11              K          Pria    1998-03-01 Swasta 3.32  776 38.80
## 12   12              L          Pria    1999-03-01 Swasta 3.02  643 32.15
## 13   13              M        Wanita    1996-03-01 Swasta 3.64  822 41.10
## 14   14              N          Pria    1997-03-01 Negeri 3.20  699 34.95
## 15   15              O        Wanita    1998-03-01 Swasta 3.25 1149 57.45
## 16   16              P          Pria    1999-03-01 Swasta 3.74  764 38.20
## 17   17              Q        Wanita    1996-03-01 Negeri 3.49  972 48.60
## 18   18              R          Pria    1997-03-01 Negeri 3.48  804 40.20
## 19   19              S          Pria    1998-03-01 Swasta 3.98  852 42.60
## 20   20              T        Wanita    1999-03-01     LN 3.18  893 44.65
## 21   21              U          Pria    1996-03-01     LN 3.28 1047 52.35
## 22   22              V        Wanita    1997-03-01 Negeri 3.60 1038 51.90
## 23   23              W        Wanita    1998-03-01 Negeri 3.40  703 35.15
## 24   24              X        Wanita    1999-03-01 Negeri 3.14  648 32.40
## 25   25              Y          Pria    1996-03-01 Swasta 3.37  740 37.00
## 26   26              Z          Pria    1997-03-01 Swasta 3.04  979 48.95
## 27   27              a          Pria    1998-03-01     LN 3.81  953 47.65
## 28   28              b          Pria    1999-03-01 Negeri 3.23 1088 54.40
## 29   29              c        Wanita    1996-03-01 Negeri 3.20 1151 57.55
## 30   30              d        Wanita    1997-03-01     LN 3.52  775 38.75
## 31   31              e        Wanita    1998-03-01     LN 3.91  830 41.50
## 32   32              f          Pria    1999-03-01 Negeri 3.66  606 30.30
## 33   33              g        Wanita    1996-03-01 Negeri 3.10  788 39.40
## 34   34              h        Wanita    1997-03-01 Swasta 3.48  654 32.70
## 35   35              i        Wanita    1998-03-01 Negeri 3.04 1189 59.45
## 36   36              j        Wanita    1999-03-01 Negeri 3.84 1115 55.75
## 37   37              k          Pria    1996-03-01 Negeri 3.77  742 37.10
## 38   38              l        Wanita    1997-03-01     LN 3.81  968 48.40
## 39   39              m          Pria    1998-03-01     LN 3.60 1011 50.55
## 40   40              n          Pria    1999-03-01 Swasta 3.01  885 44.25
## 41   41              o          Pria    1996-03-01 Negeri 3.83  727 36.35
## 42   42              p          Pria    1997-03-01 Negeri 3.14 1173 58.65
## 43   43              q        Wanita    1998-03-01 Negeri 3.43  607 30.35
## 44   44              r        Wanita    1999-03-01 Swasta 3.77  640 32.00
## 45   45              s          Pria    1996-03-01 Swasta 3.14 1073 53.65
## 46   46              t          Pria    1997-03-01     LN 4.00 1099 54.95
## 47   47              u          Pria    1998-03-01 Negeri 3.55  959 47.95
## 48   48              v          Pria    1999-03-01     LN 3.97 1007 50.35
## 49   49              w        Wanita    1996-03-01 Swasta 3.90 1102 55.10
## 50   50              x        Wanita    1997-03-01 Negeri 3.34  730 36.50
## 51   51              y        Wanita    1998-03-01 Negeri 3.67  703 35.15
## 52   52              z        Wanita    1999-03-01 Negeri 3.47 1038 51.90
##    gaji bersih gaji group 1 gaji group 2 gaji group 3
## 1       639.35        FALSE   Gaji Kecil      level 1
## 2       862.60        FALSE   Gaji Kecil      level 1
## 3       627.95        FALSE   Gaji Kecil      level 1
## 4       965.20         TRUE   Gaji Besar      level 1
## 5       861.65        FALSE   Gaji Kecil      level 1
## 6       642.20        FALSE   Gaji Kecil      level 1
## 7       683.05        FALSE   Gaji Kecil      level 1
## 8       834.10        FALSE   Gaji Kecil      level 1
## 9       787.55        FALSE   Gaji Kecil      level 1
## 10     1089.65         TRUE   Gaji Besar      level 1
## 11      737.20        FALSE   Gaji Kecil      level 1
## 12      610.85        FALSE   Gaji Kecil      level 1
## 13      780.90        FALSE   Gaji Kecil      level 1
## 14      664.05        FALSE   Gaji Kecil      level 1
## 15     1091.55         TRUE   Gaji Besar      level 1
## 16      725.80        FALSE   Gaji Kecil      level 1
## 17      923.40        FALSE   Gaji Kecil      level 1
## 18      763.80        FALSE   Gaji Kecil      level 1
## 19      809.40        FALSE   Gaji Kecil      level 1
## 20      848.35        FALSE   Gaji Kecil      level 1
## 21      994.65         TRUE   Gaji Besar      level 1
## 22      986.10         TRUE   Gaji Besar      level 1
## 23      667.85        FALSE   Gaji Kecil      level 1
## 24      615.60        FALSE   Gaji Kecil      level 1
## 25      703.00        FALSE   Gaji Kecil      level 1
## 26      930.05        FALSE   Gaji Kecil      level 1
## 27      905.35        FALSE   Gaji Kecil      level 1
## 28     1033.60         TRUE   Gaji Besar      level 1
## 29     1093.45         TRUE   Gaji Besar      level 1
## 30      736.25        FALSE   Gaji Kecil      level 1
## 31      788.50        FALSE   Gaji Kecil      level 1
## 32      575.70        FALSE   Gaji Kecil      level 1
## 33      748.60        FALSE   Gaji Kecil      level 1
## 34      621.30        FALSE   Gaji Kecil      level 1
## 35     1129.55         TRUE   Gaji Besar      level 1
## 36     1059.25         TRUE   Gaji Besar      level 2
## 37      704.90        FALSE   Gaji Kecil      level 1
## 38      919.60        FALSE   Gaji Kecil      level 1
## 39      960.45         TRUE   Gaji Besar      level 1
## 40      840.75        FALSE   Gaji Kecil      level 1
## 41      690.65        FALSE   Gaji Kecil      level 1
## 42     1114.35         TRUE   Gaji Besar      level 1
## 43      576.65        FALSE   Gaji Kecil      level 1
## 44      608.00        FALSE   Gaji Kecil      level 1
## 45     1019.35         TRUE   Gaji Besar      level 1
## 46     1044.05         TRUE   Gaji Besar      level 2
## 47      911.05        FALSE   Gaji Kecil      level 1
## 48      956.65         TRUE   Gaji Besar      level 2
## 49     1046.90         TRUE   Gaji Besar      level 2
## 50      693.50        FALSE   Gaji Kecil      level 1
## 51      667.85        FALSE   Gaji Kecil      level 1
## 52      986.10         TRUE   Gaji Besar      level 1

Algoritma dan Struktur Data

Tugas 3

Clara Della Evania (20204920018)

September 09, 2021