ALOGARITMA DAN STRUKTUR DATA
TUGAS 2
Brigita Tiara Elgityana Melantika (20204920001)
September 05, 2021
Email          : brigita.melantika@student.matanauniversity.ac.id
RPubs         : https://rpubs.com/brigitatiaraem/
Jurusan      : Statistika
Address     : ARA Center, Matana University Tower
             Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.
1 SOAL
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
jaawaban :
point 1
list0=list()
list1=list("clara","yosia","karen","naufal","garry") # membuat list dengan 5 nama teman
print(c(list0,list1)) # print list 1 yang telah dibuat## [[1]]
## [1] "clara"
##
## [[2]]
## [1] "yosia"
##
## [[3]]
## [1] "karen"
##
## [[4]]
## [1] "naufal"
##
## [[5]]
## [1] "garry"point 2
list2=list("clara","yosia","karen","naufal","garry")
print(list2[2]) # pengindeksan list ## [[1]]
## [1] "yosia"point 3
list2=list("clara","yosia","karen","naufal","garry")
list2[3]="albert" # mengganti salah satu isi list dengan item baru
print(list2)## [[1]]
## [1] "clara"
##
## [[2]]
## [1] "yosia"
##
## [[3]]
## [1] "albert"
##
## [[4]]
## [1] "naufal"
##
## [[5]]
## [1] "garry"point 4
list2=list("clara","yosia","karen","naufal","garry")
list2[3]="albert"
length(list2) # menunjukan jumlah isi list## [1] 52 SOAL
Buatlah contoh menyimpan sekumpulan tuple dengan R, dengan mengikuti instruksi berikut:
Buatlah Tuple dengan 5 item didalamnya
Perlihatkan cara Mengakses Nilai Tuple
Bagaiman anda melakukan Slicing Nilai Tuple
Nested Tuple
Unpacking Sequence
Jawaban :
point 1 dan point 2
#install.packages("sets") # install packages untuk library sets
library(sets) # memanggila library set
tuple0=tuple()
tuple1=tuple("selamat","pagi","guys","happy","weekend") # membuat tuple dengan 5 item
print(tuple1) # Mengakses Nilai Tuple## ("selamat", "pagi", "guys", "happy", "weekend")point 3
print(tuple1[1:2])## ("selamat", "pagi")point 4
tuple2=rep(tuple1,5) # mengulang tuple 1 sebanyak 5 kali
print(tuple2) # mengakses nilai tuple 1## ("selamat", "pagi", "guys", "happy", "weekend", "selamat", "pagi",
## "guys", "happy", "weekend", "selamat", "pagi", "guys", "happy",
## "weekend", "selamat", "pagi", "guys", "happy", "weekend", "selamat",
## "pagi", "guys", "happy", "weekend")point 5
tuple1=tuple("selamat","pagi","guys","happy","weekend")
names(tuple1)=c("index1","index2","index3","index4","index5")
print(tuple1)## (index1 = "selamat", index2 = "pagi", index3 = "guys", index4 =
## "happy", index5 = "weekend")3 SOAL
Buatlah contoh menyimpan sekumpulan Dictionary dengan R, yang memuat type data float, integer, character, dan logical, list, tuple, dictionary dengan mengikuti instruksi berikut:
Akses suatu nilai Item dari Dictionary
Ubah suatu Nilai Item pada Dictionary
Menambahkan Item ke Dictionary
Menghapus Item dari Dictionary
Jawaban :
point 1
#install.packages("Dict")
library(Dict)##
## Attaching package: 'Dict'## The following object is masked from 'package:sets':
##
## %>%brgttiara <- dict(
"nama" = "Brigita Tiara EM",
"umur" = as.integer(19),
"hobi" = list("menyanyi", "basket", "tidur"),
"menikah" = FALSE,
"sosmed" = tuple(instagram = "brgt_tiaraem",
facebook = "Brigita Tiara")
) # membuat isi dict
cat("Nama saya adalah :", brgttiara$get('nama'))## Nama saya adalah : Brigita Tiara EMprint(brgttiara$get("sosmed")['instagram']) # mengakses isi dari dict## (instagram = "brgt_tiaraem")point 2
brgttiara["nama"]<-"Brigita Tiara" # mengubah nilai item dict
print(brgttiara)## # A tibble: 5 x 2
## key value
## <chr> <list>
## 1 hobi <list [3]>
## 2 menikah <lgl [1]>
## 3 nama <chr [1]>
## 4 sosmed <tuple>
## 5 umur <int [1]>point 3
brgttiara$add(umur= 19L)
print(brgttiara)## # A tibble: 5 x 2
## key value
## <chr> <list>
## 1 hobi <list [3]>
## 2 menikah <lgl [1]>
## 3 nama <chr [1]>
## 4 sosmed <tuple>
## 5 umur <int [1]>point 4
brgttiara$remove('umur') # menghapus sosmed pada dict
print(brgttiara)## # A tibble: 4 x 2
## key value
## <chr> <list>
## 1 hobi <list [3]>
## 2 menikah <lgl [1]>
## 3 nama <chr [1]>
## 4 sosmed <tuple>4 SOAL
Silahkan untuk menemukan operasi Pengindeksan, Pengirisan, dan Subsetting Data Frame dengan Menggunkan R
Jawaban :
# membentuka data frame
df1_R <- data.frame(nomor =c(1:5),
"nama" =c("tiara","clara","karren","yosia","naufal"),
"umur" =c("19","19","20","20","18"),
"matkul favorit" =c("aljabar linear","analisis regresi","kalkulus","rancangan percobaan","statistika"),
"nilai ips" =c("3,75","3,95","3,86","3,79","3,90")
)
df2_R <- data.frame(nomor =c(6:10),
"nama" =c("albert","brigita","della","garry","natalie"),
"umur" =c("21","18","19","20","20"),
"matkul favorit" =c("ppkn","kepemimpinan","logika matematika","komputasi","ekonomi"),
"nilai ips" =c("3.60","3,77","3,87","3,99","3,82")
)
df3_R = rbind(df1_R,df2_R) # menggabungkan data frame 1 dan 2
# operasi data frame
print(df3_R)## nomor nama umur matkul.favorit nilai.ips
## 1 1 tiara 19 aljabar linear 3,75
## 2 2 clara 19 analisis regresi 3,95
## 3 3 karren 20 kalkulus 3,86
## 4 4 yosia 20 rancangan percobaan 3,79
## 5 5 naufal 18 statistika 3,90
## 6 6 albert 21 ppkn 3.60
## 7 7 brigita 18 kepemimpinan 3,77
## 8 8 della 19 logika matematika 3,87
## 9 9 garry 20 komputasi 3,99
## 10 10 natalie 20 ekonomi 3,82head(df3_R) # mencetak beberapa baris awal pada data frame## nomor nama umur matkul.favorit nilai.ips
## 1 1 tiara 19 aljabar linear 3,75
## 2 2 clara 19 analisis regresi 3,95
## 3 3 karren 20 kalkulus 3,86
## 4 4 yosia 20 rancangan percobaan 3,79
## 5 5 naufal 18 statistika 3,90
## 6 6 albert 21 ppkn 3.60tail(df3_R) # mencetak beberapa baris akhir pada data frame## nomor nama umur matkul.favorit nilai.ips
## 5 5 naufal 18 statistika 3,90
## 6 6 albert 21 ppkn 3.60
## 7 7 brigita 18 kepemimpinan 3,77
## 8 8 della 19 logika matematika 3,87
## 9 9 garry 20 komputasi 3,99
## 10 10 natalie 20 ekonomi 3,82head(df3_R ,4) # mencetak baris awal hingga baris ke 4 ## nomor nama umur matkul.favorit nilai.ips
## 1 1 tiara 19 aljabar linear 3,75
## 2 2 clara 19 analisis regresi 3,95
## 3 3 karren 20 kalkulus 3,86
## 4 4 yosia 20 rancangan percobaan 3,79#view(df3_R) # melihat data frame di Rstudiostr(df3_R) # mengecek struktur## 'data.frame': 10 obs. of 5 variables:
## $ nomor : int 1 2 3 4 5 6 7 8 9 10
## $ nama : chr "tiara" "clara" "karren" "yosia" ...
## $ umur : chr "19" "19" "20" "20" ...
## $ matkul.favorit: chr "aljabar linear" "analisis regresi" "kalkulus" "rancangan percobaan" ...
## $ nilai.ips : chr "3,75" "3,95" "3,86" "3,79" ...class(df3_R) # melihat tipe dari data frame## [1] "data.frame"summary(df3_R) # summary statistik dasar## nomor nama umur matkul.favorit
## 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
## nilai.ips
## Length:10
## Class :character
## Mode :character
##
##
## dim(df3_R) # mengecek dimensi## [1] 10 5Kode = (1:52)
Nama = c(LETTERS,letters)
Jenis_Kelamin = sample(rep(c("Pria","Wanita"),times=26))
tahun = seq(as.Date("2000/01/01"), by="year", length.out=4)
Tanggal_Lahir = rep(tahun,times=13)
univ1 = rep("Negeri",times=32)
univ2 = rep("Swasta",times=10)
univ3 = rep("Luar Negeri", times=10)
Universitas = sample(c(univ3,univ1,univ2))
gpa <- runif(52, min=3.50, max=4.00)
GPA <- round(gpa, digits=2)
Gaji<- sample(600:1200,52,replace=T)
Karyawan_R = data.frame(Kode,
Nama,
Jenis_Kelamin,
Tanggal_Lahir,
Universitas,
GPA,
Gaji)
print(Karyawan_R)## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas GPA Gaji
## 1 1 A Wanita 2000-01-01 Swasta 3.86 654
## 2 2 B Wanita 2001-01-01 Negeri 3.68 767
## 3 3 C Wanita 2002-01-01 Luar Negeri 3.98 1026
## 4 4 D Pria 2003-01-01 Negeri 3.85 1061
## 5 5 E Wanita 2000-01-01 Negeri 3.99 1161
## 6 6 F Wanita 2001-01-01 Negeri 3.99 831
## 7 7 G Pria 2002-01-01 Negeri 3.93 866
## 8 8 H Pria 2003-01-01 Negeri 3.51 633
## 9 9 I Wanita 2000-01-01 Negeri 3.95 1085
## 10 10 J Pria 2001-01-01 Luar Negeri 3.64 1175
## 11 11 K Pria 2002-01-01 Negeri 3.77 663
## 12 12 L Pria 2003-01-01 Swasta 3.85 757
## 13 13 M Wanita 2000-01-01 Negeri 3.68 1060
## 14 14 N Pria 2001-01-01 Swasta 3.78 607
## 15 15 O Pria 2002-01-01 Negeri 3.65 792
## 16 16 P Pria 2003-01-01 Negeri 3.52 1027
## 17 17 Q Pria 2000-01-01 Swasta 3.94 758
## 18 18 R Wanita 2001-01-01 Negeri 3.53 1161
## 19 19 S Wanita 2002-01-01 Negeri 3.98 741
## 20 20 T Wanita 2003-01-01 Luar Negeri 3.98 801
## 21 21 U Wanita 2000-01-01 Negeri 3.62 811
## 22 22 V Pria 2001-01-01 Negeri 3.99 1027
## 23 23 W Wanita 2002-01-01 Luar Negeri 3.68 893
## 24 24 X Wanita 2003-01-01 Negeri 3.81 654
## 25 25 Y Wanita 2000-01-01 Negeri 3.61 763
## 26 26 Z Pria 2001-01-01 Negeri 3.91 1042
## 27 27 a Pria 2002-01-01 Negeri 3.98 828
## 28 28 b Pria 2003-01-01 Swasta 3.72 1102
## 29 29 c Wanita 2000-01-01 Swasta 3.67 941
## 30 30 d Wanita 2001-01-01 Swasta 3.64 828
## 31 31 e Wanita 2002-01-01 Negeri 3.80 606
## 32 32 f Wanita 2003-01-01 Swasta 3.87 676
## 33 33 g Pria 2000-01-01 Negeri 3.59 948
## 34 34 h Wanita 2001-01-01 Luar Negeri 3.82 639
## 35 35 i Pria 2002-01-01 Negeri 3.81 628
## 36 36 j Pria 2003-01-01 Luar Negeri 3.89 1154
## 37 37 k Wanita 2000-01-01 Luar Negeri 3.65 959
## 38 38 l Pria 2001-01-01 Negeri 3.50 953
## 39 39 m Wanita 2002-01-01 Luar Negeri 3.53 651
## 40 40 n Wanita 2003-01-01 Negeri 3.73 1110
## 41 41 o Pria 2000-01-01 Negeri 3.55 827
## 42 42 p Pria 2001-01-01 Negeri 3.80 736
## 43 43 q Wanita 2002-01-01 Luar Negeri 3.58 803
## 44 44 r Pria 2003-01-01 Swasta 3.69 681
## 45 45 s Pria 2000-01-01 Negeri 3.66 630
## 46 46 t Wanita 2001-01-01 Negeri 3.96 901
## 47 47 u Wanita 2002-01-01 Swasta 3.79 1060
## 48 48 v Pria 2003-01-01 Negeri 3.59 954
## 49 49 w Pria 2000-01-01 Negeri 3.92 1164
## 50 50 x Pria 2001-01-01 Luar Negeri 4.00 662
## 51 51 y Wanita 2002-01-01 Negeri 3.76 645
## 52 52 z Pria 2003-01-01 Negeri 3.70 919typeof(Karyawan_R)## [1] "list"Karyawan_R$GPA # mengekstrak spesifik kolom pada GPA## [1] 3.86 3.68 3.98 3.85 3.99 3.99 3.93 3.51 3.95 3.64 3.77 3.85 3.68 3.78 3.65
## [16] 3.52 3.94 3.53 3.98 3.98 3.62 3.99 3.68 3.81 3.61 3.91 3.98 3.72 3.67 3.64
## [31] 3.80 3.87 3.59 3.82 3.81 3.89 3.65 3.50 3.53 3.73 3.55 3.80 3.58 3.69 3.66
## [46] 3.96 3.79 3.59 3.92 4.00 3.76 3.70Karyawan_R[1:5] # mengekstrak baris awal sampai kolom ke 5## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1 1 A Wanita 2000-01-01 Swasta
## 2 2 B Wanita 2001-01-01 Negeri
## 3 3 C Wanita 2002-01-01 Luar Negeri
## 4 4 D Pria 2003-01-01 Negeri
## 5 5 E Wanita 2000-01-01 Negeri
## 6 6 F Wanita 2001-01-01 Negeri
## 7 7 G Pria 2002-01-01 Negeri
## 8 8 H Pria 2003-01-01 Negeri
## 9 9 I Wanita 2000-01-01 Negeri
## 10 10 J Pria 2001-01-01 Luar Negeri
## 11 11 K Pria 2002-01-01 Negeri
## 12 12 L Pria 2003-01-01 Swasta
## 13 13 M Wanita 2000-01-01 Negeri
## 14 14 N Pria 2001-01-01 Swasta
## 15 15 O Pria 2002-01-01 Negeri
## 16 16 P Pria 2003-01-01 Negeri
## 17 17 Q Pria 2000-01-01 Swasta
## 18 18 R Wanita 2001-01-01 Negeri
## 19 19 S Wanita 2002-01-01 Negeri
## 20 20 T Wanita 2003-01-01 Luar Negeri
## 21 21 U Wanita 2000-01-01 Negeri
## 22 22 V Pria 2001-01-01 Negeri
## 23 23 W Wanita 2002-01-01 Luar Negeri
## 24 24 X Wanita 2003-01-01 Negeri
## 25 25 Y Wanita 2000-01-01 Negeri
## 26 26 Z Pria 2001-01-01 Negeri
## 27 27 a Pria 2002-01-01 Negeri
## 28 28 b Pria 2003-01-01 Swasta
## 29 29 c Wanita 2000-01-01 Swasta
## 30 30 d Wanita 2001-01-01 Swasta
## 31 31 e Wanita 2002-01-01 Negeri
## 32 32 f Wanita 2003-01-01 Swasta
## 33 33 g Pria 2000-01-01 Negeri
## 34 34 h Wanita 2001-01-01 Luar Negeri
## 35 35 i Pria 2002-01-01 Negeri
## 36 36 j Pria 2003-01-01 Luar Negeri
## 37 37 k Wanita 2000-01-01 Luar Negeri
## 38 38 l Pria 2001-01-01 Negeri
## 39 39 m Wanita 2002-01-01 Luar Negeri
## 40 40 n Wanita 2003-01-01 Negeri
## 41 41 o Pria 2000-01-01 Negeri
## 42 42 p Pria 2001-01-01 Negeri
## 43 43 q Wanita 2002-01-01 Luar Negeri
## 44 44 r Pria 2003-01-01 Swasta
## 45 45 s Pria 2000-01-01 Negeri
## 46 46 t Wanita 2001-01-01 Negeri
## 47 47 u Wanita 2002-01-01 Swasta
## 48 48 v Pria 2003-01-01 Negeri
## 49 49 w Pria 2000-01-01 Negeri
## 50 50 x Pria 2001-01-01 Luar Negeri
## 51 51 y Wanita 2002-01-01 Negeri
## 52 52 z Pria 2003-01-01 NegeriKaryawan_R[c('Nama','GPA')] # mengekstrak beberapa elemen pada data frame## Nama GPA
## 1 A 3.86
## 2 B 3.68
## 3 C 3.98
## 4 D 3.85
## 5 E 3.99
## 6 F 3.99
## 7 G 3.93
## 8 H 3.51
## 9 I 3.95
## 10 J 3.64
## 11 K 3.77
## 12 L 3.85
## 13 M 3.68
## 14 N 3.78
## 15 O 3.65
## 16 P 3.52
## 17 Q 3.94
## 18 R 3.53
## 19 S 3.98
## 20 T 3.98
## 21 U 3.62
## 22 V 3.99
## 23 W 3.68
## 24 X 3.81
## 25 Y 3.61
## 26 Z 3.91
## 27 a 3.98
## 28 b 3.72
## 29 c 3.67
## 30 d 3.64
## 31 e 3.80
## 32 f 3.87
## 33 g 3.59
## 34 h 3.82
## 35 i 3.81
## 36 j 3.89
## 37 k 3.65
## 38 l 3.50
## 39 m 3.53
## 40 n 3.73
## 41 o 3.55
## 42 p 3.80
## 43 q 3.58
## 44 r 3.69
## 45 s 3.66
## 46 t 3.96
## 47 u 3.79
## 48 v 3.59
## 49 w 3.92
## 50 x 4.00
## 51 y 3.76
## 52 z 3.70Karyawan_R[1:5,] # mengekstrak 5 baris pertama## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas GPA Gaji
## 1 1 A Wanita 2000-01-01 Swasta 3.86 654
## 2 2 B Wanita 2001-01-01 Negeri 3.68 767
## 3 3 C Wanita 2002-01-01 Luar Negeri 3.98 1026
## 4 4 D Pria 2003-01-01 Negeri 3.85 1061
## 5 5 E Wanita 2000-01-01 Negeri 3.99 1161Karyawan_R[,1:5] # mengekstrak 5 kolom pertama## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1 1 A Wanita 2000-01-01 Swasta
## 2 2 B Wanita 2001-01-01 Negeri
## 3 3 C Wanita 2002-01-01 Luar Negeri
## 4 4 D Pria 2003-01-01 Negeri
## 5 5 E Wanita 2000-01-01 Negeri
## 6 6 F Wanita 2001-01-01 Negeri
## 7 7 G Pria 2002-01-01 Negeri
## 8 8 H Pria 2003-01-01 Negeri
## 9 9 I Wanita 2000-01-01 Negeri
## 10 10 J Pria 2001-01-01 Luar Negeri
## 11 11 K Pria 2002-01-01 Negeri
## 12 12 L Pria 2003-01-01 Swasta
## 13 13 M Wanita 2000-01-01 Negeri
## 14 14 N Pria 2001-01-01 Swasta
## 15 15 O Pria 2002-01-01 Negeri
## 16 16 P Pria 2003-01-01 Negeri
## 17 17 Q Pria 2000-01-01 Swasta
## 18 18 R Wanita 2001-01-01 Negeri
## 19 19 S Wanita 2002-01-01 Negeri
## 20 20 T Wanita 2003-01-01 Luar Negeri
## 21 21 U Wanita 2000-01-01 Negeri
## 22 22 V Pria 2001-01-01 Negeri
## 23 23 W Wanita 2002-01-01 Luar Negeri
## 24 24 X Wanita 2003-01-01 Negeri
## 25 25 Y Wanita 2000-01-01 Negeri
## 26 26 Z Pria 2001-01-01 Negeri
## 27 27 a Pria 2002-01-01 Negeri
## 28 28 b Pria 2003-01-01 Swasta
## 29 29 c Wanita 2000-01-01 Swasta
## 30 30 d Wanita 2001-01-01 Swasta
## 31 31 e Wanita 2002-01-01 Negeri
## 32 32 f Wanita 2003-01-01 Swasta
## 33 33 g Pria 2000-01-01 Negeri
## 34 34 h Wanita 2001-01-01 Luar Negeri
## 35 35 i Pria 2002-01-01 Negeri
## 36 36 j Pria 2003-01-01 Luar Negeri
## 37 37 k Wanita 2000-01-01 Luar Negeri
## 38 38 l Pria 2001-01-01 Negeri
## 39 39 m Wanita 2002-01-01 Luar Negeri
## 40 40 n Wanita 2003-01-01 Negeri
## 41 41 o Pria 2000-01-01 Negeri
## 42 42 p Pria 2001-01-01 Negeri
## 43 43 q Wanita 2002-01-01 Luar Negeri
## 44 44 r Pria 2003-01-01 Swasta
## 45 45 s Pria 2000-01-01 Negeri
## 46 46 t Wanita 2001-01-01 Negeri
## 47 47 u Wanita 2002-01-01 Swasta
## 48 48 v Pria 2003-01-01 Negeri
## 49 49 w Pria 2000-01-01 Negeri
## 50 50 x Pria 2001-01-01 Luar Negeri
## 51 51 y Wanita 2002-01-01 Negeri
## 52 52 z Pria 2003-01-01 Negerisubset(Karyawan_R, select=c(3,4)) # mengekstrak kolom 3 dan kolom 4## Jenis_Kelamin Tanggal_Lahir
## 1 Wanita 2000-01-01
## 2 Wanita 2001-01-01
## 3 Wanita 2002-01-01
## 4 Pria 2003-01-01
## 5 Wanita 2000-01-01
## 6 Wanita 2001-01-01
## 7 Pria 2002-01-01
## 8 Pria 2003-01-01
## 9 Wanita 2000-01-01
## 10 Pria 2001-01-01
## 11 Pria 2002-01-01
## 12 Pria 2003-01-01
## 13 Wanita 2000-01-01
## 14 Pria 2001-01-01
## 15 Pria 2002-01-01
## 16 Pria 2003-01-01
## 17 Pria 2000-01-01
## 18 Wanita 2001-01-01
## 19 Wanita 2002-01-01
## 20 Wanita 2003-01-01
## 21 Wanita 2000-01-01
## 22 Pria 2001-01-01
## 23 Wanita 2002-01-01
## 24 Wanita 2003-01-01
## 25 Wanita 2000-01-01
## 26 Pria 2001-01-01
## 27 Pria 2002-01-01
## 28 Pria 2003-01-01
## 29 Wanita 2000-01-01
## 30 Wanita 2001-01-01
## 31 Wanita 2002-01-01
## 32 Wanita 2003-01-01
## 33 Pria 2000-01-01
## 34 Wanita 2001-01-01
## 35 Pria 2002-01-01
## 36 Pria 2003-01-01
## 37 Wanita 2000-01-01
## 38 Pria 2001-01-01
## 39 Wanita 2002-01-01
## 40 Wanita 2003-01-01
## 41 Pria 2000-01-01
## 42 Pria 2001-01-01
## 43 Wanita 2002-01-01
## 44 Pria 2003-01-01
## 45 Pria 2000-01-01
## 46 Wanita 2001-01-01
## 47 Wanita 2002-01-01
## 48 Pria 2003-01-01
## 49 Pria 2000-01-01
## 50 Pria 2001-01-01
## 51 Wanita 2002-01-01
## 52 Pria 2003-01-01Karyawan_R$Pajak = Karyawan_R$Gaji*0.035
Karyawan_R$Gaji_Bersih = Karyawan_R$Gaji-Karyawan_R$Pajak
Karyawan_R$Gaji_Group1 = Karyawan_R$Gaji >950
Karyawan_R$Gaji_Group2 = ifelse(Karyawan_R$Gaji >950,
"Gaji Besar",
"Gaji Kecil")
Karyawan_R$Gaji_Group3 = factor(Karyawan_R$GPA >3.50 &
Karyawan_R$Gaji> 950,
label = c("level 11","level 12"))
min(Karyawan_R$Gaji) # nilai minimum pada "Gaji"## [1] 606max(Karyawan_R$Gaji) # nilai miksimum pada "Gaji"## [1] 1175mean(Karyawan_R$Gaji) # nilai rata-rata pada "Gaji"## [1] 861.9423var(Karyawan_R$Gaji) # nilai variansi pada "Gaji"## [1] 32473.66sd(Karyawan_R$Gaji) # nilai standar deviasi pada "Gaji" ## [1] 180.2045summary(Karyawan_R$Gaji) # nilai statistik dasar data frame pada "Gaji"## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 606.0 679.8 828.0 861.9 1027.0 1175.05 SOAL
Buatlah operasi Ganti Nama Variabel pada suatu Data Frame dengan menggunakan R
Jawaban :
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")
rename_1## kode nama panggilan jenis kelamin tanggal lahir univ ipk gaji pajak
## 1 1 A Wanita 2000-01-01 Swasta 3.86 654 22.890
## 2 2 B Wanita 2001-01-01 Negeri 3.68 767 26.845
## 3 3 C Wanita 2002-01-01 Luar Negeri 3.98 1026 35.910
## 4 4 D Pria 2003-01-01 Negeri 3.85 1061 37.135
## 5 5 E Wanita 2000-01-01 Negeri 3.99 1161 40.635
## 6 6 F Wanita 2001-01-01 Negeri 3.99 831 29.085
## 7 7 G Pria 2002-01-01 Negeri 3.93 866 30.310
## 8 8 H Pria 2003-01-01 Negeri 3.51 633 22.155
## 9 9 I Wanita 2000-01-01 Negeri 3.95 1085 37.975
## 10 10 J Pria 2001-01-01 Luar Negeri 3.64 1175 41.125
## 11 11 K Pria 2002-01-01 Negeri 3.77 663 23.205
## 12 12 L Pria 2003-01-01 Swasta 3.85 757 26.495
## 13 13 M Wanita 2000-01-01 Negeri 3.68 1060 37.100
## 14 14 N Pria 2001-01-01 Swasta 3.78 607 21.245
## 15 15 O Pria 2002-01-01 Negeri 3.65 792 27.720
## 16 16 P Pria 2003-01-01 Negeri 3.52 1027 35.945
## 17 17 Q Pria 2000-01-01 Swasta 3.94 758 26.530
## 18 18 R Wanita 2001-01-01 Negeri 3.53 1161 40.635
## 19 19 S Wanita 2002-01-01 Negeri 3.98 741 25.935
## 20 20 T Wanita 2003-01-01 Luar Negeri 3.98 801 28.035
## 21 21 U Wanita 2000-01-01 Negeri 3.62 811 28.385
## 22 22 V Pria 2001-01-01 Negeri 3.99 1027 35.945
## 23 23 W Wanita 2002-01-01 Luar Negeri 3.68 893 31.255
## 24 24 X Wanita 2003-01-01 Negeri 3.81 654 22.890
## 25 25 Y Wanita 2000-01-01 Negeri 3.61 763 26.705
## 26 26 Z Pria 2001-01-01 Negeri 3.91 1042 36.470
## 27 27 a Pria 2002-01-01 Negeri 3.98 828 28.980
## 28 28 b Pria 2003-01-01 Swasta 3.72 1102 38.570
## 29 29 c Wanita 2000-01-01 Swasta 3.67 941 32.935
## 30 30 d Wanita 2001-01-01 Swasta 3.64 828 28.980
## 31 31 e Wanita 2002-01-01 Negeri 3.80 606 21.210
## 32 32 f Wanita 2003-01-01 Swasta 3.87 676 23.660
## 33 33 g Pria 2000-01-01 Negeri 3.59 948 33.180
## 34 34 h Wanita 2001-01-01 Luar Negeri 3.82 639 22.365
## 35 35 i Pria 2002-01-01 Negeri 3.81 628 21.980
## 36 36 j Pria 2003-01-01 Luar Negeri 3.89 1154 40.390
## 37 37 k Wanita 2000-01-01 Luar Negeri 3.65 959 33.565
## 38 38 l Pria 2001-01-01 Negeri 3.50 953 33.355
## 39 39 m Wanita 2002-01-01 Luar Negeri 3.53 651 22.785
## 40 40 n Wanita 2003-01-01 Negeri 3.73 1110 38.850
## 41 41 o Pria 2000-01-01 Negeri 3.55 827 28.945
## 42 42 p Pria 2001-01-01 Negeri 3.80 736 25.760
## 43 43 q Wanita 2002-01-01 Luar Negeri 3.58 803 28.105
## 44 44 r Pria 2003-01-01 Swasta 3.69 681 23.835
## 45 45 s Pria 2000-01-01 Negeri 3.66 630 22.050
## 46 46 t Wanita 2001-01-01 Negeri 3.96 901 31.535
## 47 47 u Wanita 2002-01-01 Swasta 3.79 1060 37.100
## 48 48 v Pria 2003-01-01 Negeri 3.59 954 33.390
## 49 49 w Pria 2000-01-01 Negeri 3.92 1164 40.740
## 50 50 x Pria 2001-01-01 Luar Negeri 4.00 662 23.170
## 51 51 y Wanita 2002-01-01 Negeri 3.76 645 22.575
## 52 52 z Pria 2003-01-01 Negeri 3.70 919 32.165
## gaji bersih gaji group 1 gaji group 2 NA
## 1 631.110 FALSE Gaji Kecil level 11
## 2 740.155 FALSE Gaji Kecil level 11
## 3 990.090 TRUE Gaji Besar level 12
## 4 1023.865 TRUE Gaji Besar level 12
## 5 1120.365 TRUE Gaji Besar level 12
## 6 801.915 FALSE Gaji Kecil level 11
## 7 835.690 FALSE Gaji Kecil level 11
## 8 610.845 FALSE Gaji Kecil level 11
## 9 1047.025 TRUE Gaji Besar level 12
## 10 1133.875 TRUE Gaji Besar level 12
## 11 639.795 FALSE Gaji Kecil level 11
## 12 730.505 FALSE Gaji Kecil level 11
## 13 1022.900 TRUE Gaji Besar level 12
## 14 585.755 FALSE Gaji Kecil level 11
## 15 764.280 FALSE Gaji Kecil level 11
## 16 991.055 TRUE Gaji Besar level 12
## 17 731.470 FALSE Gaji Kecil level 11
## 18 1120.365 TRUE Gaji Besar level 12
## 19 715.065 FALSE Gaji Kecil level 11
## 20 772.965 FALSE Gaji Kecil level 11
## 21 782.615 FALSE Gaji Kecil level 11
## 22 991.055 TRUE Gaji Besar level 12
## 23 861.745 FALSE Gaji Kecil level 11
## 24 631.110 FALSE Gaji Kecil level 11
## 25 736.295 FALSE Gaji Kecil level 11
## 26 1005.530 TRUE Gaji Besar level 12
## 27 799.020 FALSE Gaji Kecil level 11
## 28 1063.430 TRUE Gaji Besar level 12
## 29 908.065 FALSE Gaji Kecil level 11
## 30 799.020 FALSE Gaji Kecil level 11
## 31 584.790 FALSE Gaji Kecil level 11
## 32 652.340 FALSE Gaji Kecil level 11
## 33 914.820 FALSE Gaji Kecil level 11
## 34 616.635 FALSE Gaji Kecil level 11
## 35 606.020 FALSE Gaji Kecil level 11
## 36 1113.610 TRUE Gaji Besar level 12
## 37 925.435 TRUE Gaji Besar level 12
## 38 919.645 TRUE Gaji Besar level 11
## 39 628.215 FALSE Gaji Kecil level 11
## 40 1071.150 TRUE Gaji Besar level 12
## 41 798.055 FALSE Gaji Kecil level 11
## 42 710.240 FALSE Gaji Kecil level 11
## 43 774.895 FALSE Gaji Kecil level 11
## 44 657.165 FALSE Gaji Kecil level 11
## 45 607.950 FALSE Gaji Kecil level 11
## 46 869.465 FALSE Gaji Kecil level 11
## 47 1022.900 TRUE Gaji Besar level 12
## 48 920.610 TRUE Gaji Besar level 12
## 49 1123.260 TRUE Gaji Besar level 12
## 50 638.830 FALSE Gaji Kecil level 11
## 51 622.425 FALSE Gaji Kecil level 11
## 52 886.835 FALSE Gaji Kecil level 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