Algoritma dan Struktur Data

Tugas 3

Email             : yeni.arwanti@student.matanauniveristy.ac.id
RPubs            : https://rpubs.com/yeninawn/
Jurusan          : Fisika Medis
Address         : ARA Center, Matana University Tower
                         Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

---

1 Membuat Program Dengan List

1.1 Buat sebuah list untuk menyimpan 5 orang teman dekatmu

list0 = list()                                                                               # Membuat list kosong
list1 = list("Tiara Agatha","Amira Humairah","Yelika Adenia","Salsabila","Zulfah Fauziah")   # Membuat sebuah list berisi 5 nama teman dekat
print(c(list0,list1))                                                                        # Print hasil list0 dan list1

## [[1]]
## [1] "Tiara Agatha"
## 
## [[2]]
## [1] "Amira Humairah"
## 
## [[3]]
## [1] "Yelika Adenia"
## 
## [[4]]
## [1] "Salsabila"
## 
## [[5]]
## [1] "Zulfah Fauziah"

1.2 Pilihlah satu orang dari list tersebut yang menjadi teman paling dekatmu dengan menggunakan index

list2 = list("Tiara Agatha","Amira Humairah","Yelika Adenia","Salsabila","Zulfah Fauziah")   # Membuat list 5 nama teman dekat
print(list2[2])                                                                              # Print nilai pada index 2

## [[1]]
## [1] "Amira Humairah"

1.3 Gantilah satu orang yang tidak begitu dekat denganmu dengan teman baru yang kamu temui baru-baru ini

list3 = list("Tiara Agatha","Amira Humairah","Yelika Adenia","Salsabila","Zulfah Fauziah")   # Membuat list isi 5 nama teman dekat
list3[5] = "Urfi Lutfiana"                                                                   # Mengganti item Zulfah Fauziah menjadi Urfi Lutfiana
print(list3)

## [[1]]
## [1] "Tiara Agatha"
## 
## [[2]]
## [1] "Amira Humairah"
## 
## [[3]]
## [1] "Yelika Adenia"
## 
## [[4]]
## [1] "Salsabila"
## 
## [[5]]
## [1] "Urfi Lutfiana"

1.4 Bagaimana caranya anda menghitung banyak teman yang ada dalam list tersebut

length(list3)                                                                                # Menghitung jumlah item dalam sebuah list

## [1] 5

2 Menyimpan sekumpulan tuple

2.1 Tuple dengan 5 item didalamnya

library(sets)                                                                                # Memanggil libary
tuple1 = tuple("Gelas", "sendok", "garpu", "piring", "tas")                                  # Membuat tuple dengan 7 item
tuple2 = tuple("Uang", "sumpit", "papan", "pensil", "penghapus")                             # Membuat tuple dengan 5 item
print(tuple1)

## ("Gelas", "sendok", "garpu", "piring", "tas")

print(tuple2)                                               

## ("Uang", "sumpit", "papan", "pensil", "penghapus")

2.2 Mengakses Nilai Tuple

print(tuple1[1])

## ("Gelas")

print(tuple1[2])

## ("sendok")

print(tuple1[3])

## ("garpu")

print(tuple1[4])

## ("piring")

print(tuple1[5])

## ("tas")

2.3 Melakukan Slicing Nilai Tuple

print(tuple2[1:2])

## ("Uang", "sumpit")

print(tuple2[3:5])

## ("papan", "pensil", "penghapus")

print(tuple2[1:5])

## ("Uang", "sumpit", "papan", "pensil", "penghapus")

2.4 Nested Tuple

tuple3 = c(tuple1, tuple2)
tuple4 = rep(tuple1, 30)
tuple5 = rep(tuple2, 30)
print(tuple3)

## ("Gelas", "sendok", "garpu", "piring", "tas", "Uang", "sumpit",
##  "papan", "pensil", "penghapus")

print(tuple4)

## ("Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas",
##  "Gelas", "sendok", "garpu", "piring", "tas", "Gelas", "sendok",
##  "garpu", "piring", "tas", "Gelas", "sendok", "garpu", "piring", "tas")

print(tuple5)

## ("Uang", "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit",
##  "papan", "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus", "Uang", "sumpit", "papan", "pensil",
##  "penghapus", "Uang", "sumpit", "papan", "pensil", "penghapus", "Uang",
##  "sumpit", "papan", "pensil", "penghapus", "Uang", "sumpit", "papan",
##  "pensil", "penghapus")

2.5 Unpacking Sequence

tuple1 = tuple("Gelas", "sendok", "garpu", "piring", "tas")                               # Membuat tuple dengan 5 item
names (tuple1) = c("index1", "index2", "index3", "index4", "index5")
print(tuple1)

## (index1 = "Gelas", index2 = "sendok", index3 = "garpu", index4 =
##  "piring", index5 = "tas")

tuple2 = tuple("Uang", "sumpit", "papan", "pensil", "penghapus")                          # Membuat tuple dengan 5 item
names(tuple2) = c("index1", "index2", "index3", "index4", "index5")
print(tuple2)

## (index1 = "Uang", index2 = "sumpit", index3 = "papan", index4 =
##  "pensil", index5 = "penghapus")

3 Menyimpan sekumpulan Dictionary dengan R, yang memuat type data float, integer, character, dan logical, list, tuple, dictionary

3.1 Akses suatu nilai Item dari Dictionary

library(Dict)

## 
## Attaching package: 'Dict'

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

yeninawn <- dict(
                  "nama"    ="Yeni Nur",
                  "umur"    = as.integer(18),
                  "hobi"    = list("Membaca", "Design", "Menonton film"),
                  "asal" = "Bogor")
cat("nama saya adalah :", yeninawn$get('nama'))

## nama saya adalah : Yeni Nur

cat("saya tinggal di :", yeninawn$get('asal'))

## saya tinggal di : Bogor

cat("Nama saya adalah :", yeninawn$get('nama'))

## Nama saya adalah : Yeni Nur

print(yeninawn$get('hobi'))                                                               # Mengakses isi dictionary

## [[1]]
## [1] "Membaca"
## 
## [[2]]
## [1] "Design"
## 
## [[3]]
## [1] "Menonton film"

3.2 Ubah suatu Nilai Item pada Dictionary

yeninawn['nama'] = "Yeni Nur Arwanti"                                                     # Mengubah nilai item dictionary
print(yeninawn$get('nama'))

## [1] "Yeni Nur Arwanti"

3.3 Menambahkan Item ke Dictionary

yeninawn$add(umur=18L)
print(yeninawn)

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

3.4 Menghapus Item dari Dictionary

yeninawn$remove('umur')                                                                   # menghapus umur pada dict
print(yeninawn)

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

4 Operasi Pengindeksan, Pengirisan, dan Subsetting Data Frame dengan Menggunkan R

# Membentuk Data Frame 1
df1_R = data.frame(nomor =c(1:5),
                    "Nama"  =c("Tiara","Esther","Yelika","Fano","Divo"),
                    "Angkatan Sekolah" =c("2018","2018","2019","2019","2018"),
                    "Jurusan" =c("ipa","ipa","ips","ips","ips"),
                    "mata pelajaran favorit" =c("mtk","fisika","ekonomi","sosiologi","sejarah"),
                    "ranking kelas" =c("1","2","10","21","3"),
                    "hobi" = c("dance","membaca","menyanyi","berpidato","berenang")
                     )
# Membentuk Data Frame 2
df2_R = data.frame(nomor =c(1:5),
                    "Nama"  =c("Rani","Irfan","Diana","Ashfy","Dea"),
                    "Angkatan Sekolah" =c("2020","2020","2021","2021","2019"),
                    "Jurusan" =c("ips","ipa","ipa","ips","ips"),
                    "mata pelajaran favorit" =c("Olahraga","kimia","fisika","Indonesia","Jepang"),
                    "rangking kelas" =c("10","11","12","13","15"),
                    "hobi" = c("berenang","menyanyi","berpidato","membaca","dance")
                    )

4.1 Penggabungan dua data frame

df3_R = rbind("df1_R","df2_R")                                                             # Menggabungkan Data Frame 1 dan Data Frame 2

4.2 Indeks data frame

print('df3_R')                                                                            # Operasi data frame

## [1] "df3_R"

head('df3_R')                                                                             # mencetak beberapa baris awal pada data frame

## [1] "df3_R"

tail('df3_R')                                                                              # Mencetak 6 baris dari bawah

## [1] "df3_R"

head('df3_R' ,4)                                                                           # Mencetak 5 baris dari pertama

## [1] "df3_R"

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

4.3 Dimensi data frame

dim(df3_R)                                                                                 # Memeriksa dimensi data frame

## [1] 2 1

4.4 Struktur data frame

str(df3_R)                                                                                 # Memeriksa strukrut data frame

##  chr [1:2, 1] "df1_R" "df2_R"

4.5 Summary data frame

summary(df3_R)                                                                             # Summary statistik data frame

##       V1           
##  Length:2          
##  Class :character  
##  Mode  :character

4.6 Operasi indeks, Pengirisan 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("2020/11/11"), 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    2020-11-11      Negeri 3.92  824
## 2   2    B        Wanita    2021-11-11          LN 3.07  944
## 3   3    C        Wanita    2022-11-11      Negeri 3.73 1127
## 4   4    D        Wanita    2023-11-11          LN 3.23  968
## 5   5    E        Wanita    2020-11-11          LN 3.03  832
## 6   6    F        Wanita    2021-11-11      Negeri 3.11  870
## 7   7    G        Wanita    2022-11-11      Swasta 3.64  851
## 8   8    H          Pria    2023-11-11      Negeri 3.92 1146
## 9   9    I          Pria    2020-11-11      Negeri 3.15  655
## 10 10    J        Wanita    2021-11-11      Negeri 3.02 1193
## 11 11    K          Pria    2022-11-11      Swasta 3.58 1196
## 12 12    L        Wanita    2023-11-11          LN 3.13  841
## 13 13    M          Pria    2020-11-11      Negeri 3.70  819
## 14 14    N        Wanita    2021-11-11          LN 3.53 1198
## 15 15    O          Pria    2022-11-11          LN 3.79  805
## 16 16    P        Wanita    2023-11-11      Swasta 3.31 1160
## 17 17    Q        Wanita    2020-11-11      Negeri 3.68  620
## 18 18    R          Pria    2021-11-11      Negeri 3.79  982
## 19 19    S          Pria    2022-11-11      Negeri 3.75  766
## 20 20    T        Wanita    2023-11-11      Swasta 3.18 1139
## 21 21    U          Pria    2020-11-11      Negeri 3.18 1074
## 22 22    V          Pria    2021-11-11      Swasta 3.09  879
## 23 23    W          Pria    2022-11-11      Swasta 3.97  688
## 24 24    X        Wanita    2023-11-11      Swasta 3.81  944
## 25 25    Y        Wanita    2020-11-11      Negeri 3.44 1195
## 26 26    Z          Pria    2021-11-11      Swasta 3.27 1152
## 27 27    a        Wanita    2022-11-11          LN 3.75  979
## 28 28    b          Pria    2023-11-11      Swasta 3.81  856
## 29 29    c        Wanita    2020-11-11      Negeri 3.74 1015
## 30 30    d          Pria    2021-11-11          LN 3.34  674
## 31 31    e          Pria    2022-11-11      Negeri 3.35  644
## 32 32    f        Wanita    2023-11-11      Swasta 3.41 1004
## 33 33    g          Pria    2020-11-11      Negeri 3.65  734
## 34 34    h          Pria    2021-11-11      Negeri 3.40  948
## 35 35    i        Wanita    2022-11-11      Swasta 3.39 1053
## 36 36    j          Pria    2023-11-11      Negeri 3.57  712
## 37 37    k          Pria    2020-11-11      Negeri 3.04  882
## 38 38    l        Wanita    2021-11-11      Negeri 3.63  645
## 39 39    m          Pria    2022-11-11      Swasta 3.83  787
## 40 40    n        Wanita    2023-11-11      Negeri 3.03  942
## 41 41    o        Wanita    2020-11-11      Swasta 3.03  702
## 42 42    p        Wanita    2021-11-11          LN 3.57  796
## 43 43    q          Pria    2022-11-11      Swasta 3.55  947
## 44 44    r        Wanita    2023-11-11      Negeri 3.91  951
## 45 45    s          Pria    2020-11-11      Negeri 3.55  742
## 46 46    t          Pria    2021-11-11      Negeri 3.55 1096
## 47 47    u        Wanita    2022-11-11      Negeri 3.59  808
## 48 48    v          Pria    2023-11-11      Negeri 3.55  898
## 49 49    w          Pria    2020-11-11          LN 3.23  895
## 50 50    x        Wanita    2021-11-11      Negeri 3.68  897
## 51 51    y          Pria    2022-11-11      Swasta 3.11  716
## 52 52    z          Pria    2023-11-11      Swasta 3.59 1068

typeof(Karyawan_R)                                                                        # Cek tipe datanya

## [1] "list"

class(Karyawan_R)                                                                         # Cek tipe datanya

## [1] "data.frame"

Karyawan_R[1,5]                                                                           # Mengekstrak elemen di abris ke-1 dan kolom ke-5

## [1] "Negeri"

Karyawan_R$Nama                                                                           # Mengekstrak spesifik kolom nama

##  [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O" "P" "Q" "R" "S"
## [20] "T" "U" "V" "W" "X" "Y" "Z" "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l"
## [39] "m" "n" "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"

Karyawan_R$GPA                                                                            # Mengekstrak spesifik kolom pada GPA

##  [1] 3.92 3.07 3.73 3.23 3.03 3.11 3.64 3.92 3.15 3.02 3.58 3.13 3.70 3.53 3.79
## [16] 3.31 3.68 3.79 3.75 3.18 3.18 3.09 3.97 3.81 3.44 3.27 3.75 3.81 3.74 3.34
## [31] 3.35 3.41 3.65 3.40 3.39 3.57 3.04 3.63 3.83 3.03 3.03 3.57 3.55 3.91 3.55
## [46] 3.55 3.59 3.55 3.23 3.68 3.11 3.59

Karyawan_R[,c('Nama','Jenis_Kelamin')]                                                    # Mengekstrak spesifik kolom nama jenis kelamin

##    Nama Jenis_Kelamin
## 1     A        Wanita
## 2     B        Wanita
## 3     C        Wanita
## 4     D        Wanita
## 5     E        Wanita
## 6     F        Wanita
## 7     G        Wanita
## 8     H          Pria
## 9     I          Pria
## 10    J        Wanita
## 11    K          Pria
## 12    L        Wanita
## 13    M          Pria
## 14    N        Wanita
## 15    O          Pria
## 16    P        Wanita
## 17    Q        Wanita
## 18    R          Pria
## 19    S          Pria
## 20    T        Wanita
## 21    U          Pria
## 22    V          Pria
## 23    W          Pria
## 24    X        Wanita
## 25    Y        Wanita
## 26    Z          Pria
## 27    a        Wanita
## 28    b          Pria
## 29    c        Wanita
## 30    d          Pria
## 31    e          Pria
## 32    f        Wanita
## 33    g          Pria
## 34    h          Pria
## 35    i        Wanita
## 36    j          Pria
## 37    k          Pria
## 38    l        Wanita
## 39    m          Pria
## 40    n        Wanita
## 41    o        Wanita
## 42    p        Wanita
## 43    q          Pria
## 44    r        Wanita
## 45    s          Pria
## 46    t          Pria
## 47    u        Wanita
## 48    v          Pria
## 49    w          Pria
## 50    x        Wanita
## 51    y          Pria
## 52    z          Pria

Karyawan_R [1:5,]                                                                         # Mengekstrak lima baris pertama karyawan R

##   No Nama Jenis_Kelamin Tanggal_Lahir Universitas  GPA Gaji
## 1  1    A        Wanita    2020-11-11      Negeri 3.92  824
## 2  2    B        Wanita    2021-11-11          LN 3.07  944
## 3  3    C        Wanita    2022-11-11      Negeri 3.73 1127
## 4  4    D        Wanita    2023-11-11          LN 3.23  968
## 5  5    E        Wanita    2020-11-11          LN 3.03  832

Karyawan_R [,1:5]                                                                         # Mengekstrak lima kolom pertama karyawan R

##    No Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1   1    A        Wanita    2020-11-11      Negeri
## 2   2    B        Wanita    2021-11-11          LN
## 3   3    C        Wanita    2022-11-11      Negeri
## 4   4    D        Wanita    2023-11-11          LN
## 5   5    E        Wanita    2020-11-11          LN
## 6   6    F        Wanita    2021-11-11      Negeri
## 7   7    G        Wanita    2022-11-11      Swasta
## 8   8    H          Pria    2023-11-11      Negeri
## 9   9    I          Pria    2020-11-11      Negeri
## 10 10    J        Wanita    2021-11-11      Negeri
## 11 11    K          Pria    2022-11-11      Swasta
## 12 12    L        Wanita    2023-11-11          LN
## 13 13    M          Pria    2020-11-11      Negeri
## 14 14    N        Wanita    2021-11-11          LN
## 15 15    O          Pria    2022-11-11          LN
## 16 16    P        Wanita    2023-11-11      Swasta
## 17 17    Q        Wanita    2020-11-11      Negeri
## 18 18    R          Pria    2021-11-11      Negeri
## 19 19    S          Pria    2022-11-11      Negeri
## 20 20    T        Wanita    2023-11-11      Swasta
## 21 21    U          Pria    2020-11-11      Negeri
## 22 22    V          Pria    2021-11-11      Swasta
## 23 23    W          Pria    2022-11-11      Swasta
## 24 24    X        Wanita    2023-11-11      Swasta
## 25 25    Y        Wanita    2020-11-11      Negeri
## 26 26    Z          Pria    2021-11-11      Swasta
## 27 27    a        Wanita    2022-11-11          LN
## 28 28    b          Pria    2023-11-11      Swasta
## 29 29    c        Wanita    2020-11-11      Negeri
## 30 30    d          Pria    2021-11-11          LN
## 31 31    e          Pria    2022-11-11      Negeri
## 32 32    f        Wanita    2023-11-11      Swasta
## 33 33    g          Pria    2020-11-11      Negeri
## 34 34    h          Pria    2021-11-11      Negeri
## 35 35    i        Wanita    2022-11-11      Swasta
## 36 36    j          Pria    2023-11-11      Negeri
## 37 37    k          Pria    2020-11-11      Negeri
## 38 38    l        Wanita    2021-11-11      Negeri
## 39 39    m          Pria    2022-11-11      Swasta
## 40 40    n        Wanita    2023-11-11      Negeri
## 41 41    o        Wanita    2020-11-11      Swasta
## 42 42    p        Wanita    2021-11-11          LN
## 43 43    q          Pria    2022-11-11      Swasta
## 44 44    r        Wanita    2023-11-11      Negeri
## 45 45    s          Pria    2020-11-11      Negeri
## 46 46    t          Pria    2021-11-11      Negeri
## 47 47    u        Wanita    2022-11-11      Negeri
## 48 48    v          Pria    2023-11-11      Negeri
## 49 49    w          Pria    2020-11-11          LN
## 50 50    x        Wanita    2021-11-11      Negeri
## 51 51    y          Pria    2022-11-11      Swasta
## 52 52    z          Pria    2023-11-11      Swasta

4.7 Subsetting data frame

subset(Karyawan_R, select=GPA)                                                            # Subsetting spesifik kolom

##     GPA
## 1  3.92
## 2  3.07
## 3  3.73
## 4  3.23
## 5  3.03
## 6  3.11
## 7  3.64
## 8  3.92
## 9  3.15
## 10 3.02
## 11 3.58
## 12 3.13
## 13 3.70
## 14 3.53
## 15 3.79
## 16 3.31
## 17 3.68
## 18 3.79
## 19 3.75
## 20 3.18
## 21 3.18
## 22 3.09
## 23 3.97
## 24 3.81
## 25 3.44
## 26 3.27
## 27 3.75
## 28 3.81
## 29 3.74
## 30 3.34
## 31 3.35
## 32 3.41
## 33 3.65
## 34 3.40
## 35 3.39
## 36 3.57
## 37 3.04
## 38 3.63
## 39 3.83
## 40 3.03
## 41 3.03
## 42 3.57
## 43 3.55
## 44 3.91
## 45 3.55
## 46 3.55
## 47 3.59
## 48 3.55
## 49 3.23
## 50 3.68
## 51 3.11
## 52 3.59

subset(Karyawan_R, select=6)                                                              # Subsetting spesifik kolom

##     GPA
## 1  3.92
## 2  3.07
## 3  3.73
## 4  3.23
## 5  3.03
## 6  3.11
## 7  3.64
## 8  3.92
## 9  3.15
## 10 3.02
## 11 3.58
## 12 3.13
## 13 3.70
## 14 3.53
## 15 3.79
## 16 3.31
## 17 3.68
## 18 3.79
## 19 3.75
## 20 3.18
## 21 3.18
## 22 3.09
## 23 3.97
## 24 3.81
## 25 3.44
## 26 3.27
## 27 3.75
## 28 3.81
## 29 3.74
## 30 3.34
## 31 3.35
## 32 3.41
## 33 3.65
## 34 3.40
## 35 3.39
## 36 3.57
## 37 3.04
## 38 3.63
## 39 3.83
## 40 3.03
## 41 3.03
## 42 3.57
## 43 3.55
## 44 3.91
## 45 3.55
## 46 3.55
## 47 3.59
## 48 3.55
## 49 3.23
## 50 3.68
## 51 3.11
## 52 3.59

subset(Karyawan_R, select=c(3,4))                                                         # Subsetting spesifik kolom

##    Jenis_Kelamin Tanggal_Lahir
## 1         Wanita    2020-11-11
## 2         Wanita    2021-11-11
## 3         Wanita    2022-11-11
## 4         Wanita    2023-11-11
## 5         Wanita    2020-11-11
## 6         Wanita    2021-11-11
## 7         Wanita    2022-11-11
## 8           Pria    2023-11-11
## 9           Pria    2020-11-11
## 10        Wanita    2021-11-11
## 11          Pria    2022-11-11
## 12        Wanita    2023-11-11
## 13          Pria    2020-11-11
## 14        Wanita    2021-11-11
## 15          Pria    2022-11-11
## 16        Wanita    2023-11-11
## 17        Wanita    2020-11-11
## 18          Pria    2021-11-11
## 19          Pria    2022-11-11
## 20        Wanita    2023-11-11
## 21          Pria    2020-11-11
## 22          Pria    2021-11-11
## 23          Pria    2022-11-11
## 24        Wanita    2023-11-11
## 25        Wanita    2020-11-11
## 26          Pria    2021-11-11
## 27        Wanita    2022-11-11
## 28          Pria    2023-11-11
## 29        Wanita    2020-11-11
## 30          Pria    2021-11-11
## 31          Pria    2022-11-11
## 32        Wanita    2023-11-11
## 33          Pria    2020-11-11
## 34          Pria    2021-11-11
## 35        Wanita    2022-11-11
## 36          Pria    2023-11-11
## 37          Pria    2020-11-11
## 38        Wanita    2021-11-11
## 39          Pria    2022-11-11
## 40        Wanita    2023-11-11
## 41        Wanita    2020-11-11
## 42        Wanita    2021-11-11
## 43          Pria    2022-11-11
## 44        Wanita    2023-11-11
## 45          Pria    2020-11-11
## 46          Pria    2021-11-11
## 47        Wanita    2022-11-11
## 48          Pria    2023-11-11
## 49          Pria    2020-11-11
## 50        Wanita    2021-11-11
## 51          Pria    2022-11-11
## 52          Pria    2023-11-11

subset(Karyawan_R, select=c(2:5))                                                         # Subsetting kolom tertentu

##    Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1     A        Wanita    2020-11-11      Negeri
## 2     B        Wanita    2021-11-11          LN
## 3     C        Wanita    2022-11-11      Negeri
## 4     D        Wanita    2023-11-11          LN
## 5     E        Wanita    2020-11-11          LN
## 6     F        Wanita    2021-11-11      Negeri
## 7     G        Wanita    2022-11-11      Swasta
## 8     H          Pria    2023-11-11      Negeri
## 9     I          Pria    2020-11-11      Negeri
## 10    J        Wanita    2021-11-11      Negeri
## 11    K          Pria    2022-11-11      Swasta
## 12    L        Wanita    2023-11-11          LN
## 13    M          Pria    2020-11-11      Negeri
## 14    N        Wanita    2021-11-11          LN
## 15    O          Pria    2022-11-11          LN
## 16    P        Wanita    2023-11-11      Swasta
## 17    Q        Wanita    2020-11-11      Negeri
## 18    R          Pria    2021-11-11      Negeri
## 19    S          Pria    2022-11-11      Negeri
## 20    T        Wanita    2023-11-11      Swasta
## 21    U          Pria    2020-11-11      Negeri
## 22    V          Pria    2021-11-11      Swasta
## 23    W          Pria    2022-11-11      Swasta
## 24    X        Wanita    2023-11-11      Swasta
## 25    Y        Wanita    2020-11-11      Negeri
## 26    Z          Pria    2021-11-11      Swasta
## 27    a        Wanita    2022-11-11          LN
## 28    b          Pria    2023-11-11      Swasta
## 29    c        Wanita    2020-11-11      Negeri
## 30    d          Pria    2021-11-11          LN
## 31    e          Pria    2022-11-11      Negeri
## 32    f        Wanita    2023-11-11      Swasta
## 33    g          Pria    2020-11-11      Negeri
## 34    h          Pria    2021-11-11      Negeri
## 35    i        Wanita    2022-11-11      Swasta
## 36    j          Pria    2023-11-11      Negeri
## 37    k          Pria    2020-11-11      Negeri
## 38    l        Wanita    2021-11-11      Negeri
## 39    m          Pria    2022-11-11      Swasta
## 40    n        Wanita    2023-11-11      Negeri
## 41    o        Wanita    2020-11-11      Swasta
## 42    p        Wanita    2021-11-11          LN
## 43    q          Pria    2022-11-11      Swasta
## 44    r        Wanita    2023-11-11      Negeri
## 45    s          Pria    2020-11-11      Negeri
## 46    t          Pria    2021-11-11      Negeri
## 47    u        Wanita    2022-11-11      Negeri
## 48    v          Pria    2023-11-11      Negeri
## 49    w          Pria    2020-11-11          LN
## 50    x        Wanita    2021-11-11      Negeri
## 51    y          Pria    2022-11-11      Swasta
## 52    z          Pria    2023-11-11      Swasta

5 Operasi Ganti Nama Variabel pada suatu Data Frame dengan menggunakan R

rename_1= Karyawan_R
names(rename_1)= c("kode",
                  "nama",
                  "jenis_kelamin",
                  "tanggal_lahir",
                  "univ",
                  "ipk",
                  "gaji")
rename_1

##    kode nama jenis_kelamin tanggal_lahir   univ  ipk gaji
## 1     1    A        Wanita    2020-11-11 Negeri 3.92  824
## 2     2    B        Wanita    2021-11-11     LN 3.07  944
## 3     3    C        Wanita    2022-11-11 Negeri 3.73 1127
## 4     4    D        Wanita    2023-11-11     LN 3.23  968
## 5     5    E        Wanita    2020-11-11     LN 3.03  832
## 6     6    F        Wanita    2021-11-11 Negeri 3.11  870
## 7     7    G        Wanita    2022-11-11 Swasta 3.64  851
## 8     8    H          Pria    2023-11-11 Negeri 3.92 1146
## 9     9    I          Pria    2020-11-11 Negeri 3.15  655
## 10   10    J        Wanita    2021-11-11 Negeri 3.02 1193
## 11   11    K          Pria    2022-11-11 Swasta 3.58 1196
## 12   12    L        Wanita    2023-11-11     LN 3.13  841
## 13   13    M          Pria    2020-11-11 Negeri 3.70  819
## 14   14    N        Wanita    2021-11-11     LN 3.53 1198
## 15   15    O          Pria    2022-11-11     LN 3.79  805
## 16   16    P        Wanita    2023-11-11 Swasta 3.31 1160
## 17   17    Q        Wanita    2020-11-11 Negeri 3.68  620
## 18   18    R          Pria    2021-11-11 Negeri 3.79  982
## 19   19    S          Pria    2022-11-11 Negeri 3.75  766
## 20   20    T        Wanita    2023-11-11 Swasta 3.18 1139
## 21   21    U          Pria    2020-11-11 Negeri 3.18 1074
## 22   22    V          Pria    2021-11-11 Swasta 3.09  879
## 23   23    W          Pria    2022-11-11 Swasta 3.97  688
## 24   24    X        Wanita    2023-11-11 Swasta 3.81  944
## 25   25    Y        Wanita    2020-11-11 Negeri 3.44 1195
## 26   26    Z          Pria    2021-11-11 Swasta 3.27 1152
## 27   27    a        Wanita    2022-11-11     LN 3.75  979
## 28   28    b          Pria    2023-11-11 Swasta 3.81  856
## 29   29    c        Wanita    2020-11-11 Negeri 3.74 1015
## 30   30    d          Pria    2021-11-11     LN 3.34  674
## 31   31    e          Pria    2022-11-11 Negeri 3.35  644
## 32   32    f        Wanita    2023-11-11 Swasta 3.41 1004
## 33   33    g          Pria    2020-11-11 Negeri 3.65  734
## 34   34    h          Pria    2021-11-11 Negeri 3.40  948
## 35   35    i        Wanita    2022-11-11 Swasta 3.39 1053
## 36   36    j          Pria    2023-11-11 Negeri 3.57  712
## 37   37    k          Pria    2020-11-11 Negeri 3.04  882
## 38   38    l        Wanita    2021-11-11 Negeri 3.63  645
## 39   39    m          Pria    2022-11-11 Swasta 3.83  787
## 40   40    n        Wanita    2023-11-11 Negeri 3.03  942
## 41   41    o        Wanita    2020-11-11 Swasta 3.03  702
## 42   42    p        Wanita    2021-11-11     LN 3.57  796
## 43   43    q          Pria    2022-11-11 Swasta 3.55  947
## 44   44    r        Wanita    2023-11-11 Negeri 3.91  951
## 45   45    s          Pria    2020-11-11 Negeri 3.55  742
## 46   46    t          Pria    2021-11-11 Negeri 3.55 1096
## 47   47    u        Wanita    2022-11-11 Negeri 3.59  808
## 48   48    v          Pria    2023-11-11 Negeri 3.55  898
## 49   49    w          Pria    2020-11-11     LN 3.23  895
## 50   50    x        Wanita    2021-11-11 Negeri 3.68  897
## 51   51    y          Pria    2022-11-11 Swasta 3.11  716
## 52   52    z          Pria    2023-11-11 Swasta 3.59 1068