Email         : sabrina.amelia@student.matanauniversity.ac.id
RPubs       : https://rpubs.com/sabrinayose
Github       : https://github.com/sabrinayose
Jurusan : Teknik Informatika
Address : ARA Center, Matana University Tower
   Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

Note:
Untuk versi Python ada di
Colabs

1 R VS Python

1.1 Persamaan

Merupakan bahasa pemrograman multi-paradigma karena setiap orang memiliki penafsiran masing-masing yang berbeda. Mendukung Pemrograman Berorientasi Objek, Pemrograman yang Imperatif, Pemrograman Prosedural, dll.
Merupakan bahasa yang ditafsirkan. Memiliki aturan yang tidak dapat dilanggar, namun setiap orang memiliki penafsiran yang berbeda.
Dapat digunakan untuk mengembangkan sebuah algoritma.
Merupakan bahasa pemrograman tingkat tinggi karena merupakan perkembangan dari bahasa Pemrograman C.
Gratis dan bersifat open source.
Dapat diintegrasikan dengan aplikasi lain (MySQL, Oracle, GitHub, dll).
Mendukung file yang berbeda (file CSV, excel, XML, dan JSON).
Mudah digunakan dan untuk dipelajari.

1.2 Perbedaan

Kriteria	R	Python
Penggunaan	Analisis Statistik	Lebih umum mengenai sains data
Ruang Lingkup	Data Science & Statistik	Aplikasi & Industri
Pengguna	Akademisi & Peneliti	Programmers & Developers
IDE (User Interface)	RStudio	Spyder, Jupiter Notebook, Pycharm, dll
Ekstensi	`.R` dan `.Rmd`	`.py` dan `.ipynb`
Struktur Data	Vektor, List, Matriks, Array, Faktor, dan Data Frame	List, Dictionary, dan Tupel
Packages dan Library	tidyverse, ggplot2, caret, zoo	pandas, scipy, scikit-learn, TensorFlow, caret
Kelebihan	Library yang banyak dan kualitas visualisasi grafiknya tinggi	Sistematika penulisan mudah dibaca, berfokus pada kecepatan komputasi, pengembangan web, jaringan, otomatisasi, dll
Kekurangan	Terdapat ketergantungan terhadap library	Library nya lebih sedikit dari R
Integrasi	Fitur RMarkdown dan Shiny	Aplikasi lebih luas

2 Sintaks Dasar

Terdiri dari 3 hal dasar yaitu:

Variabel untuk menyimpan nilai.
Operan (nilai).
Komentar untuk memberikan informasi tambahan pada skrip atau koding, sehingga pengguna lebih memahami isi skrip atau koding.

2.1 Penugasan Variabel

2.1.1 R

Ada tiga cara menulis notasi untuk menggunakan variabel untuk menyimpan jenis data ke dalam memori, yaitu:

= (untuk penugasan sederhana)
<- (untuk penugasan dari kiri)
-> (untuk penugasan dari kanan)

x = 3
y <- 5
4 -> z

print(c(x,y,z))

## [1] 3 5 4

2.2 Penambahan Komentar

Komentar pada skrip atau koding R dan Python untuk memudahkan pengguna memahami isi skrip atau koding dengan memberi informasi tambahan. Komentar akan diabaikan oleh kompiler.

2.2.1 R

#Komentar pada awal pernyataan
x = 26

print(x) #Komentar pada akhir pernyataan

## [1] 26

3 Operator

Operator merupakan sebuah simbol yang mengarahkan compiler melakukan beberapa operasi seperti operasi matematis, logika, dan pada sekumpulan BIlangan Kompleks, Integer, dan Numerik sebagai input.

3.1 Aritmatika

Operator aritmatika biasa berupa nilai skalar, bilangan kompleks, atau vektor.

3.1.1 Tabel Operator

Operator	R	Python
Penjumlahan	`+`	`+`
Pengurangan	`-`	`-`
Perkalian	`*`	`*`
Pembagian	`/`	`/`
Pemangkatan	`^`	`**`
Modulo	`%%`	`%`

3.1.2 Contoh R

Penjumlahan

x <- c(6,3,8)
y <- c(5,9,3)

print(x+y)

## [1] 11 12 11

#Atau bila ingin menampilkan keterangan
cat("Penjumlahan x dan y adalah ", x+y)

## Penjumlahan x dan y adalah  11 12 11

Pengurangan

x <- c(6,3,8)
y <- c(5,9,3)

print(x-y)

## [1]  1 -6  5

#Atau bila ingin menampilkan keterangan
cat("Pengurangan x dan y adalah ", x-y)

## Pengurangan x dan y adalah  1 -6 5

Perkalian

x <- c(6,3,8)
y <- c(5,9,3)

print(x*y)

## [1] 30 27 24

#Atau bila ingin menampilkan keterangan
cat("Perkalian x dan y adalah ", x*y)

## Perkalian x dan y adalah  30 27 24

Pembagian

x <- c(6,3,8)
y <- c(5,9,3)

print(x/y)

## [1] 1.2000000 0.3333333 2.6666667

#Atau bila ingin menampilkan keterangan
cat("Pembagian x dan y adalah ", x/y)

## Pembagian x dan y adalah  1.2 0.3333333 2.666667

Pemangkatan

x <- c(6,3,8)
y <- c(5,9,3)

print(x^y)

## [1]  7776 19683   512

#Atau bila ingin menampilkan keterangan
cat("Pemangkatan x dan y adalah ", x^y)

## Pemangkatan x dan y adalah  7776 19683 512

Modulo

x <- c(6,3,8)
y <- c(5,9,3)

print(x%%y)

## [1] 1 3 2

#Atau bila ingin menampilkan keterangan
cat("Modulo x dan y adalah ", x%%y)

## Modulo x dan y adalah  1 3 2

3.2 Relasional

Melakukan perbandingan elemen. Mengembalikan nilai Boolean TRUE jika memenuhi relasi.

3.2.1 Tabel Operator

Operator	R	Python	Keterangan
Kurang dari	`<`	`<`	Mengembalikan nilai TRUE jika elemen lebih kecil dari ketentuan. Selain itu, mengembalikan nilai FALSE
Kurang dari sama dengan	`<=`	`<=`	Mengembalikan nilai TRUE jika elemen lebih kecil atau sama dengan ketentuan. Selain itu, mengembalikan nilai FALSE
Lebih besar dari	`>`	`>`	Mengembalikan nilai TRUE jika elemen lebih besar dari ketentuan. Selain itu, mengembalikan nilai FALSE
Lebih besar dari sama dengan	`>=`	`>=`	Mengembalikan nilai TRUE jika elemen lebih besar dari atau sama dengan ketentuan. Selain itu, mengembalikan nilai FALSE
Sama dengan	`==`	`==`	Mengembalikan nilai TRUE jika elemen sama dengan ketentuan. Selain itu, mengembalikan nilai FALSE
Tidak sama dengan	`!=`	`!=`	Mengembalikan nilai TRUE jika elemen tidak sama dengan ketentuan. Selain itu, mengembalikan nilai FALSE

3.2.2 Contoh R

Kurang dari

x <- 4
y <- 9

cat("x kurang dari y : ", x<y)

## x kurang dari y :  TRUE

Kurang dari sama dengan

x <- 4
y <- 9

cat("x kurang dari sama dengan y : ", x<=y)

## x kurang dari sama dengan y :  TRUE

Lebih besar dari

x <- 4
y <- 9

cat("x lebih besar dari y : ", x>y)

## x lebih besar dari y :  FALSE

Lebih besar dari sama dengan

x <- 4
y <- 9

cat("x lebih besar dari sama dengan y : ", x>=y)

## x lebih besar dari sama dengan y :  FALSE

Sama dengan

x <- 4
y <- 9

cat("x sama dengan y : ", x==y)

## x sama dengan y :  FALSE

Tidak sama dengan

x <- 4
y <- 9

cat("x tidak sama dengan y : ", x!=y)

## x tidak sama dengan y :  TRUE

3.3 Logika

Mensimulasikan operasi kemudian dievalusi ke nilai Boolean TRUE atau FALSE

Pada R, kecuali nol, data numerik dianggap TRUE
Pada Python, hanya menggunakan True dan False

3.3.1 Tabel Operator

Operator	R	Python	Keterangan
NOT	`!`	`!`	Negasi/Kebalikan dari nilai elemen
AND	`&`	`&`	Mengembalikan nilai TRUE jika keduanya benar
OR	`\|`	`\|`	Mengembalikan nilai TRUE jika salah satunya benar
XOR	`\|\|`	`^`	Mengembalikan nilai TRUE jika salah satunya benar dan FALSE jika keduanya benar atau keduanya salah

3.3.2 Contoh R

Logika Negasi

x <- c(TRUE,0,3)
y <- c(0.5,3+6i,FALSE)
cat("Logika negasi x (~) = ", !x)

## Logika negasi x (~) =  FALSE TRUE FALSE

cat("Logika negasi y (~) = ", !y)

## Logika negasi y (~) =  FALSE FALSE TRUE

Logika Konjungsi (Dan)

x <- c(TRUE,0,3)
y <- c(0.5,3+6i,FALSE)
cat("Logika konjungsi = ", x & y)

## Logika konjungsi =  TRUE FALSE FALSE

Logika Disjungsi (Atau)

x <- c(TRUE,0,3)
y <- c(0.5,3+6i,FALSE)
cat("Logika Disjungsi = ", x | y)

## Logika Disjungsi =  TRUE TRUE TRUE

Logika Disjungsi Parsial

x <- c(TRUE,0,3)
y <- c(0.5,3+6i,FALSE)
cat("Logika Disjungsi Parsial = ", x || y)

## Logika Disjungsi Parsial =  TRUE

3.4 Lain-lain

3.4.1 R

Berlaku Sifat Komutatif dan Asosiatif
Akar

x <- c(3,8,5)
y <- c(4,8,7)
sqrt(x * y)

## [1] 3.464102 8.000000 5.916080

Logaritma

x <- c(3,8,5)
y <- c(4,8,7)
log(x)

## [1] 1.098612 2.079442 1.609438

Eksponen

x <- c(3,8,5)
y <- c(4,8,7)
exp(y)

## [1]   54.59815 2980.95799 1096.63316

Tanda Kurung

x <- c(3,8,5)
y <- c(4,8,7)
(x/y) + y

## [1] 4.750000 9.000000 7.714286

4 Tipe Data

4.1 Tabel Tipe Data

Tipe Data	R	Python	Penjelasan
Double/Float	7.8	7.8	Bilangan desimal (komaan)
Integer	7	7	Bilangan Bulat
Boolean/Logikal	TRUE/FALSE	True/False	Benar bernilai 1, Salah bernilai 0
String	“a”,‘b’,‘123’	“a”,‘b’,‘123’	Karakter/kalimat/angka yang diapit tanda petik
Complex	5+2i	5+2j	Pasangan angka real dan imajiner

4.2 Pada R

Nilai Desimal

d1 = 7.8

Nilai Integer

d2 = as.integer(7)
d2 = 7L

Boolean/Logical

d3 = c(TRUE,FALSE)
d3 = as.logical(c(0,1))

String/Character

d4 = c("a",'b','123')

Complex

d5 = 1 + 2i

Untuk memeriksa tipe data:
class(d1) untuk mencetak nama kelas variabel.
typeof(d1) untuk mencetak tipe variabel.
Untuk mengubah tipe data :

Nama	Fungsi
`as.integer()`	mengubah menjadi integer
`as.double()`	mengubah menjadi float
`as.logical()`	mengubah menjadi boolean
`as.character()`	mengubah menjadi karakter
`as.complex()`	mengubah menjadi kompleks

5 Data Frame

5.1 Ciri-ciri

Ciri-ciri data frame adalah:

Nama kolom tidak boleh kosong
Nama baris harus unik
Data dapat berupa numerik, faktor, atau tipe karakter
Setiap kolom harus memiliki jumlah item data yang sama

5.2 Pada R

5.2.1 Contoh data frame

#Data frame 1
df1_R <- data.frame(kode = c(1:5),
                    nama = c("Julian","Vanessa","Jeffry","Angel", "Nikki"),
                    gaji = c(623.3,515.2,611.0,729.0,843.25),
                    mulai_kerja = as.Date(c("2022-01-01","2020-09-23","2022-11-15","2022-05-11","2022-03-27")),
                    divisi = c("DS","DS","BA","DA","DS"),
                    stringsAsFactors = F)

#Data frame 2
df2_R <- data.frame(kode = c(6:10),
                    nama = c("Ardifo","Irene","Kefas","Sherly", "Bakti"),
                    gaji = c(578.0,722.5,632.8,632.8,NA),
                    mulai_kerja = as.Date(c("2022-05-21","2020-07-30","2022-06-17","2022-07-30","2018-09-03")),
                    divisi = c("Actuaries","Actuaries","CA","DE","Lecturer"),
                    stringsAsFactors = F)

5.2.2 Operasi pada data frame R

Menggabungkan dua data frame

df3_R <- rbind(df1_R,df2_R)

Mencetak hasil

df3_R <- rbind(df1_R,df2_R)
print(df3_R)

##    kode    nama   gaji mulai_kerja    divisi
## 1     1  Julian 623.30  2022-01-01        DS
## 2     2 Vanessa 515.20  2020-09-23        DS
## 3     3  Jeffry 611.00  2022-11-15        BA
## 4     4   Angel 729.00  2022-05-11        DA
## 5     5   Nikki 843.25  2022-03-27        DS
## 6     6  Ardifo 578.00  2022-05-21 Actuaries
## 7     7   Irene 722.50  2020-07-30 Actuaries
## 8     8   Kefas 632.80  2022-06-17        CA
## 9     9  Sherly 632.80  2022-07-30        DE
## 10   10   Bakti     NA  2018-09-03  Lecturer

Mencetak enam baris pertama (1)

df3_R <- rbind(df1_R,df2_R)
head(df3_R)

##   kode    nama   gaji mulai_kerja    divisi
## 1    1  Julian 623.30  2022-01-01        DS
## 2    2 Vanessa 515.20  2020-09-23        DS
## 3    3  Jeffry 611.00  2022-11-15        BA
## 4    4   Angel 729.00  2022-05-11        DA
## 5    5   Nikki 843.25  2022-03-27        DS
## 6    6  Ardifo 578.00  2022-05-21 Actuaries

Mencetak enam baris pertama (2)

df3_R <- rbind(df1_R,df2_R)
head(df3_R,6)

##   kode    nama   gaji mulai_kerja    divisi
## 1    1  Julian 623.30  2022-01-01        DS
## 2    2 Vanessa 515.20  2020-09-23        DS
## 3    3  Jeffry 611.00  2022-11-15        BA
## 4    4   Angel 729.00  2022-05-11        DA
## 5    5   Nikki 843.25  2022-03-27        DS
## 6    6  Ardifo 578.00  2022-05-21 Actuaries

Menampilkan data di RStudio seperti excel

df3_R <- rbind(df1_R,df2_R)
View(df3_R)

Cek tipe data frame

df3_R <- rbind(df1_R,df2_R)
class(df3_R)

## [1] "data.frame"

Cek struktur data frame

df3_R <- rbind(df1_R,df2_R)
str(df3_R)

## 'data.frame':    10 obs. of  5 variables:
##  $ kode       : int  1 2 3 4 5 6 7 8 9 10
##  $ nama       : chr  "Julian" "Vanessa" "Jeffry" "Angel" ...
##  $ gaji       : num  623 515 611 729 843 ...
##  $ mulai_kerja: Date, format: "2022-01-01" "2020-09-23" ...
##  $ divisi     : chr  "DS" "DS" "BA" "DA" ...

Periksa dimensi data

df3_R <- rbind(df1_R,df2_R)
dim(df3_R)

## [1] 10  5

Summary statistik dasar

df3_R <- rbind(df1_R,df2_R)
summary(df3_R)

##       kode           nama                gaji        mulai_kerja        
##  Min.   : 1.00   Length:10          Min.   :515.2   Min.   :2018-09-03  
##  1st Qu.: 3.25   Class :character   1st Qu.:611.0   1st Qu.:2021-01-17  
##  Median : 5.50   Mode  :character   Median :632.8   Median :2022-04-18  
##  Mean   : 5.50                      Mean   :654.2   Mean   :2021-09-07  
##  3rd Qu.: 7.75                      3rd Qu.:722.5   3rd Qu.:2022-06-10  
##  Max.   :10.00                      Max.   :843.2   Max.   :2022-11-15  
##                                     NA's   :1                           
##     divisi         
##  Length:10         
##  Class :character  
##  Mode  :character  
##                    
##                    
##                    
##

Biasanya dibuat dengan membaca dataset menggunakan read.table() atau read.csv

6 Rekayasa Data Frame

6.1 R

No <- (1:52)                #No 1-52
Nama<-c(LETTERS,letters)    #Huruf kapital dan nonkapital
Jenis_Kelamin<-sample(rep(c("Pria","Wanita"),times=26)) #Jenis Kelamin

#Menghasilkan tanggal lahir dengan time series
Tiga_Tahun<-seq(as.Date("2000/01/01"), by="year", length.out=4)
Tanggal_Lahir<-rep(Tiga_Tahun, times=13)

#Kategori Universitas
univ1<-rep("Negeri",times=26)   #26 universitas negeri
univ2<-rep("Swasta",times=16)   #16 universitas swasta
univ3<-rep("LN",times=10)       #26 universitas luar negeri
Universitas<-sample(c(univ1,univ2,univ3)) #menggabungkan vektor/list di atas

gpa<-runif(52,min = 3.00,max = 4.00) #Menghasilkan 52 angka acak (min=3, max=4)
GPA<-round(gpa,digits=2) #atur digit angka acak Anda
Gaji<-sample(600:1200,52,replace=T) #hasilkan sampel antara 600-1200 (izinkan nilai duplikat)
Karyawan_R<-data.frame(No, Nama, Tanggal_Lahir, Jenis_Kelamin, Universitas, GPA, Gaji)

print(Karyawan_R)

##    No Nama Tanggal_Lahir Jenis_Kelamin Universitas  GPA Gaji
## 1   1    A    2000-01-01          Pria      Swasta 3.41 1055
## 2   2    B    2001-01-01        Wanita      Swasta 3.53  868
## 3   3    C    2002-01-01          Pria      Swasta 3.45  858
## 4   4    D    2003-01-01          Pria      Negeri 3.53  872
## 5   5    E    2000-01-01        Wanita      Swasta 3.08 1166
## 6   6    F    2001-01-01        Wanita      Negeri 3.32  945
## 7   7    G    2002-01-01          Pria      Swasta 3.27 1051
## 8   8    H    2003-01-01          Pria      Negeri 3.19  666
## 9   9    I    2000-01-01          Pria      Negeri 3.91 1154
## 10 10    J    2001-01-01        Wanita          LN 3.77  617
## 11 11    K    2002-01-01          Pria      Swasta 3.35 1136
## 12 12    L    2003-01-01          Pria      Swasta 3.26  693
## 13 13    M    2000-01-01        Wanita      Negeri 3.52 1068
## 14 14    N    2001-01-01          Pria      Negeri 3.37 1144
## 15 15    O    2002-01-01        Wanita      Negeri 3.01  693
## 16 16    P    2003-01-01        Wanita          LN 3.11  662
## 17 17    Q    2000-01-01          Pria          LN 3.11 1138
## 18 18    R    2001-01-01          Pria      Negeri 3.94  894
## 19 19    S    2002-01-01          Pria      Negeri 3.20  845
## 20 20    T    2003-01-01          Pria          LN 3.31  749
## 21 21    U    2000-01-01        Wanita      Negeri 3.19 1179
## 22 22    V    2001-01-01        Wanita      Swasta 3.75  935
## 23 23    W    2002-01-01          Pria      Swasta 3.68  734
## 24 24    X    2003-01-01          Pria      Negeri 3.27  713
## 25 25    Y    2000-01-01        Wanita      Negeri 3.82 1027
## 26 26    Z    2001-01-01          Pria      Negeri 3.76  635
## 27 27    a    2002-01-01          Pria      Negeri 3.48  893
## 28 28    b    2003-01-01        Wanita      Negeri 3.12  755
## 29 29    c    2000-01-01          Pria      Swasta 3.45 1097
## 30 30    d    2001-01-01          Pria      Swasta 3.61  885
## 31 31    e    2002-01-01        Wanita          LN 3.80 1161
## 32 32    f    2003-01-01          Pria      Negeri 3.17  906
## 33 33    g    2000-01-01        Wanita      Negeri 3.93 1170
## 34 34    h    2001-01-01          Pria      Negeri 3.66  759
## 35 35    i    2002-01-01        Wanita          LN 3.30 1148
## 36 36    j    2003-01-01        Wanita      Negeri 3.80 1028
## 37 37    k    2000-01-01        Wanita      Swasta 3.25  887
## 38 38    l    2001-01-01        Wanita      Negeri 3.33 1004
## 39 39    m    2002-01-01        Wanita      Swasta 3.30  736
## 40 40    n    2003-01-01          Pria      Negeri 3.28  875
## 41 41    o    2000-01-01        Wanita      Negeri 3.82  697
## 42 42    p    2001-01-01          Pria      Negeri 3.83  873
## 43 43    q    2002-01-01          Pria          LN 3.42  669
## 44 44    r    2003-01-01        Wanita      Negeri 3.60  981
## 45 45    s    2000-01-01          Pria      Swasta 3.71  718
## 46 46    t    2001-01-01        Wanita          LN 3.50  708
## 47 47    u    2002-01-01        Wanita      Swasta 3.27  654
## 48 48    v    2003-01-01        Wanita          LN 3.95  606
## 49 49    w    2000-01-01        Wanita          LN 3.51  720
## 50 50    x    2001-01-01        Wanita      Negeri 3.11  841
## 51 51    y    2002-01-01          Pria      Swasta 3.52 1200
## 52 52    z    2003-01-01        Wanita      Negeri 3.72 1032

7 Ekstraksi Data Frame

Proses ekstraksi data frame (Pengindeksan, Pengirisan, dan Subsetting) harus memperhatikan tipe data dengan baik.

7.1 R

7.1.1 Ekstrak/Subset

typeof(Karyawan_R)          #cek tipe data

## [1] "list"

class(Karyawan_R)           #cek tipe data

## [1] "data.frame"

Karyawan_R[1,5]             #ekstrak elemen di baris 1 kolom 5

## [1] "Swasta"

Karyawan_R$Nama             #Ekstrak 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[,c('Nama','Jenis_Kelamin')] #Ekstrak spesifik kolom ('Nama, Jenis_Kelamin')

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

Karyawan_R[1:5,]            #Ekstrak lima baris pertama Karyawan_R

##   No Nama Tanggal_Lahir Jenis_Kelamin Universitas  GPA Gaji
## 1  1    A    2000-01-01          Pria      Swasta 3.41 1055
## 2  2    B    2001-01-01        Wanita      Swasta 3.53  868
## 3  3    C    2002-01-01          Pria      Swasta 3.45  858
## 4  4    D    2003-01-01          Pria      Negeri 3.53  872
## 5  5    E    2000-01-01        Wanita      Swasta 3.08 1166

Karyawan_R[,1:5]            #Ekstrak lima kolom pertama Karyawan_R

##    No Nama Tanggal_Lahir Jenis_Kelamin Universitas
## 1   1    A    2000-01-01          Pria      Swasta
## 2   2    B    2001-01-01        Wanita      Swasta
## 3   3    C    2002-01-01          Pria      Swasta
## 4   4    D    2003-01-01          Pria      Negeri
## 5   5    E    2000-01-01        Wanita      Swasta
## 6   6    F    2001-01-01        Wanita      Negeri
## 7   7    G    2002-01-01          Pria      Swasta
## 8   8    H    2003-01-01          Pria      Negeri
## 9   9    I    2000-01-01          Pria      Negeri
## 10 10    J    2001-01-01        Wanita          LN
## 11 11    K    2002-01-01          Pria      Swasta
## 12 12    L    2003-01-01          Pria      Swasta
## 13 13    M    2000-01-01        Wanita      Negeri
## 14 14    N    2001-01-01          Pria      Negeri
## 15 15    O    2002-01-01        Wanita      Negeri
## 16 16    P    2003-01-01        Wanita          LN
## 17 17    Q    2000-01-01          Pria          LN
## 18 18    R    2001-01-01          Pria      Negeri
## 19 19    S    2002-01-01          Pria      Negeri
## 20 20    T    2003-01-01          Pria          LN
## 21 21    U    2000-01-01        Wanita      Negeri
## 22 22    V    2001-01-01        Wanita      Swasta
## 23 23    W    2002-01-01          Pria      Swasta
## 24 24    X    2003-01-01          Pria      Negeri
## 25 25    Y    2000-01-01        Wanita      Negeri
## 26 26    Z    2001-01-01          Pria      Negeri
## 27 27    a    2002-01-01          Pria      Negeri
## 28 28    b    2003-01-01        Wanita      Negeri
## 29 29    c    2000-01-01          Pria      Swasta
## 30 30    d    2001-01-01          Pria      Swasta
## 31 31    e    2002-01-01        Wanita          LN
## 32 32    f    2003-01-01          Pria      Negeri
## 33 33    g    2000-01-01        Wanita      Negeri
## 34 34    h    2001-01-01          Pria      Negeri
## 35 35    i    2002-01-01        Wanita          LN
## 36 36    j    2003-01-01        Wanita      Negeri
## 37 37    k    2000-01-01        Wanita      Swasta
## 38 38    l    2001-01-01        Wanita      Negeri
## 39 39    m    2002-01-01        Wanita      Swasta
## 40 40    n    2003-01-01          Pria      Negeri
## 41 41    o    2000-01-01        Wanita      Negeri
## 42 42    p    2001-01-01          Pria      Negeri
## 43 43    q    2002-01-01          Pria          LN
## 44 44    r    2003-01-01        Wanita      Negeri
## 45 45    s    2000-01-01          Pria      Swasta
## 46 46    t    2001-01-01        Wanita          LN
## 47 47    u    2002-01-01        Wanita      Swasta
## 48 48    v    2003-01-01        Wanita          LN
## 49 49    w    2000-01-01        Wanita          LN
## 50 50    x    2001-01-01        Wanita      Negeri
## 51 51    y    2002-01-01          Pria      Swasta
## 52 52    z    2003-01-01        Wanita      Negeri

subset(Karyawan_R, select=GPA)  #ekstrak/subset spesifik kolom

##     GPA
## 1  3.41
## 2  3.53
## 3  3.45
## 4  3.53
## 5  3.08
## 6  3.32
## 7  3.27
## 8  3.19
## 9  3.91
## 10 3.77
## 11 3.35
## 12 3.26
## 13 3.52
## 14 3.37
## 15 3.01
## 16 3.11
## 17 3.11
## 18 3.94
## 19 3.20
## 20 3.31
## 21 3.19
## 22 3.75
## 23 3.68
## 24 3.27
## 25 3.82
## 26 3.76
## 27 3.48
## 28 3.12
## 29 3.45
## 30 3.61
## 31 3.80
## 32 3.17
## 33 3.93
## 34 3.66
## 35 3.30
## 36 3.80
## 37 3.25
## 38 3.33
## 39 3.30
## 40 3.28
## 41 3.82
## 42 3.83
## 43 3.42
## 44 3.60
## 45 3.71
## 46 3.50
## 47 3.27
## 48 3.95
## 49 3.51
## 50 3.11
## 51 3.52
## 52 3.72

subset(Karyawan_R, select=6)  #ekstrak/subset spesifik kolom

##     GPA
## 1  3.41
## 2  3.53
## 3  3.45
## 4  3.53
## 5  3.08
## 6  3.32
## 7  3.27
## 8  3.19
## 9  3.91
## 10 3.77
## 11 3.35
## 12 3.26
## 13 3.52
## 14 3.37
## 15 3.01
## 16 3.11
## 17 3.11
## 18 3.94
## 19 3.20
## 20 3.31
## 21 3.19
## 22 3.75
## 23 3.68
## 24 3.27
## 25 3.82
## 26 3.76
## 27 3.48
## 28 3.12
## 29 3.45
## 30 3.61
## 31 3.80
## 32 3.17
## 33 3.93
## 34 3.66
## 35 3.30
## 36 3.80
## 37 3.25
## 38 3.33
## 39 3.30
## 40 3.28
## 41 3.82
## 42 3.83
## 43 3.42
## 44 3.60
## 45 3.71
## 46 3.50
## 47 3.27
## 48 3.95
## 49 3.51
## 50 3.11
## 51 3.52
## 52 3.72

subset(Karyawan_R, select=c(6,7))  #ekstrak/subset kolom pertama & kedua

##     GPA Gaji
## 1  3.41 1055
## 2  3.53  868
## 3  3.45  858
## 4  3.53  872
## 5  3.08 1166
## 6  3.32  945
## 7  3.27 1051
## 8  3.19  666
## 9  3.91 1154
## 10 3.77  617
## 11 3.35 1136
## 12 3.26  693
## 13 3.52 1068
## 14 3.37 1144
## 15 3.01  693
## 16 3.11  662
## 17 3.11 1138
## 18 3.94  894
## 19 3.20  845
## 20 3.31  749
## 21 3.19 1179
## 22 3.75  935
## 23 3.68  734
## 24 3.27  713
## 25 3.82 1027
## 26 3.76  635
## 27 3.48  893
## 28 3.12  755
## 29 3.45 1097
## 30 3.61  885
## 31 3.80 1161
## 32 3.17  906
## 33 3.93 1170
## 34 3.66  759
## 35 3.30 1148
## 36 3.80 1028
## 37 3.25  887
## 38 3.33 1004
## 39 3.30  736
## 40 3.28  875
## 41 3.82  697
## 42 3.83  873
## 43 3.42  669
## 44 3.60  981
## 45 3.71  718
## 46 3.50  708
## 47 3.27  654
## 48 3.95  606
## 49 3.51  720
## 50 3.11  841
## 51 3.52 1200
## 52 3.72 1032

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

##    Nama Tanggal_Lahir Jenis_Kelamin Universitas
## 1     A    2000-01-01          Pria      Swasta
## 2     B    2001-01-01        Wanita      Swasta
## 3     C    2002-01-01          Pria      Swasta
## 4     D    2003-01-01          Pria      Negeri
## 5     E    2000-01-01        Wanita      Swasta
## 6     F    2001-01-01        Wanita      Negeri
## 7     G    2002-01-01          Pria      Swasta
## 8     H    2003-01-01          Pria      Negeri
## 9     I    2000-01-01          Pria      Negeri
## 10    J    2001-01-01        Wanita          LN
## 11    K    2002-01-01          Pria      Swasta
## 12    L    2003-01-01          Pria      Swasta
## 13    M    2000-01-01        Wanita      Negeri
## 14    N    2001-01-01          Pria      Negeri
## 15    O    2002-01-01        Wanita      Negeri
## 16    P    2003-01-01        Wanita          LN
## 17    Q    2000-01-01          Pria          LN
## 18    R    2001-01-01          Pria      Negeri
## 19    S    2002-01-01          Pria      Negeri
## 20    T    2003-01-01          Pria          LN
## 21    U    2000-01-01        Wanita      Negeri
## 22    V    2001-01-01        Wanita      Swasta
## 23    W    2002-01-01          Pria      Swasta
## 24    X    2003-01-01          Pria      Negeri
## 25    Y    2000-01-01        Wanita      Negeri
## 26    Z    2001-01-01          Pria      Negeri
## 27    a    2002-01-01          Pria      Negeri
## 28    b    2003-01-01        Wanita      Negeri
## 29    c    2000-01-01          Pria      Swasta
## 30    d    2001-01-01          Pria      Swasta
## 31    e    2002-01-01        Wanita          LN
## 32    f    2003-01-01          Pria      Negeri
## 33    g    2000-01-01        Wanita      Negeri
## 34    h    2001-01-01          Pria      Negeri
## 35    i    2002-01-01        Wanita          LN
## 36    j    2003-01-01        Wanita      Negeri
## 37    k    2000-01-01        Wanita      Swasta
## 38    l    2001-01-01        Wanita      Negeri
## 39    m    2002-01-01        Wanita      Swasta
## 40    n    2003-01-01          Pria      Negeri
## 41    o    2000-01-01        Wanita      Negeri
## 42    p    2001-01-01          Pria      Negeri
## 43    q    2002-01-01          Pria          LN
## 44    r    2003-01-01        Wanita      Negeri
## 45    s    2000-01-01          Pria      Swasta
## 46    t    2001-01-01        Wanita          LN
## 47    u    2002-01-01        Wanita      Swasta
## 48    v    2003-01-01        Wanita          LN
## 49    w    2000-01-01        Wanita          LN
## 50    x    2001-01-01        Wanita      Negeri
## 51    y    2002-01-01          Pria      Swasta
## 52    z    2003-01-01        Wanita      Negeri

7.1.2 Menambahkan Variabel

Menambahkan variabel baru ke dalam data frame dapat dilakukan dengan menetapkan vektor baru.

Karyawan_R$Pajak <- Karyawan_R$Gaji * 0.03 # Menambahkan variabel baru "Pajak"
Karyawan_R$Gaji_Bersih <- Karyawan_R$Gaji - Karyawan_R$Pajak # Menambahkan variabel baru "Gaji Bersih"
Karyawan_R$Gaji_Grup1 <- Karyawan_R$Gaji > 950 # Menambahkan variabel baru "Grup 1"
Karyawan_R$Gaji_Grup2 <- ifelse(Karyawan_R$Gaji > 950, "Gaji Besar", "Gaji Kecil") # Menambahkan variabel baru "Gaji Grup 2"
Karyawan_R$Gaji_Grup3 <- factor(Karyawan_R$GPA > 3.5 & Karyawan_R$Gaji > 950, labels = c("level1","level2")) 
# Menambahkan variabel baru "Gaji Grup 3"
min(Karyawan_R$Gaji)      # Nilai minimum 'Gaji'

## [1] 606

max(Karyawan_R$Gaji)      # Nilai maximum 'Gaji'

## [1] 1200

mean(Karyawan_R$Gaji)     # Nilai rerata 'Gaji'

## [1] 894.2308

var(Karyawan_R$Gaji)      # Nilai variansi 'Gaji'

## [1] 33658.89

sd(Karyawan_R$Gaji)       # Nilai standar deviasi 'Gaji'

## [1] 183.4636

summary(Karyawan_R$Gaji)  # Statistik dasar data frame 'Gaji'

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   606.0   719.5   880.0   894.2  1052.0  1200.0

8 Ganti Nama Variabel

8.1 R

8.1.1 Cara 1

Menggunakan fungsi names()

rename_1<-Karyawan_R      # Merubah nama data frame
names(rename_1)<-c("no",
                   "nama",
                   "tgl.lahir",
                   "jenis.kelamin",
                   "univ",
                   "ipk",
                   "gaji")  #Merubah variabel pada data frame 
rename_1

##    no nama  tgl.lahir jenis.kelamin   univ  ipk gaji    NA      NA    NA
## 1   1    A 2000-01-01          Pria Swasta 3.41 1055 31.65 1023.35  TRUE
## 2   2    B 2001-01-01        Wanita Swasta 3.53  868 26.04  841.96 FALSE
## 3   3    C 2002-01-01          Pria Swasta 3.45  858 25.74  832.26 FALSE
## 4   4    D 2003-01-01          Pria Negeri 3.53  872 26.16  845.84 FALSE
## 5   5    E 2000-01-01        Wanita Swasta 3.08 1166 34.98 1131.02  TRUE
## 6   6    F 2001-01-01        Wanita Negeri 3.32  945 28.35  916.65 FALSE
## 7   7    G 2002-01-01          Pria Swasta 3.27 1051 31.53 1019.47  TRUE
## 8   8    H 2003-01-01          Pria Negeri 3.19  666 19.98  646.02 FALSE
## 9   9    I 2000-01-01          Pria Negeri 3.91 1154 34.62 1119.38  TRUE
## 10 10    J 2001-01-01        Wanita     LN 3.77  617 18.51  598.49 FALSE
## 11 11    K 2002-01-01          Pria Swasta 3.35 1136 34.08 1101.92  TRUE
## 12 12    L 2003-01-01          Pria Swasta 3.26  693 20.79  672.21 FALSE
## 13 13    M 2000-01-01        Wanita Negeri 3.52 1068 32.04 1035.96  TRUE
## 14 14    N 2001-01-01          Pria Negeri 3.37 1144 34.32 1109.68  TRUE
## 15 15    O 2002-01-01        Wanita Negeri 3.01  693 20.79  672.21 FALSE
## 16 16    P 2003-01-01        Wanita     LN 3.11  662 19.86  642.14 FALSE
## 17 17    Q 2000-01-01          Pria     LN 3.11 1138 34.14 1103.86  TRUE
## 18 18    R 2001-01-01          Pria Negeri 3.94  894 26.82  867.18 FALSE
## 19 19    S 2002-01-01          Pria Negeri 3.20  845 25.35  819.65 FALSE
## 20 20    T 2003-01-01          Pria     LN 3.31  749 22.47  726.53 FALSE
## 21 21    U 2000-01-01        Wanita Negeri 3.19 1179 35.37 1143.63  TRUE
## 22 22    V 2001-01-01        Wanita Swasta 3.75  935 28.05  906.95 FALSE
## 23 23    W 2002-01-01          Pria Swasta 3.68  734 22.02  711.98 FALSE
## 24 24    X 2003-01-01          Pria Negeri 3.27  713 21.39  691.61 FALSE
## 25 25    Y 2000-01-01        Wanita Negeri 3.82 1027 30.81  996.19  TRUE
## 26 26    Z 2001-01-01          Pria Negeri 3.76  635 19.05  615.95 FALSE
## 27 27    a 2002-01-01          Pria Negeri 3.48  893 26.79  866.21 FALSE
## 28 28    b 2003-01-01        Wanita Negeri 3.12  755 22.65  732.35 FALSE
## 29 29    c 2000-01-01          Pria Swasta 3.45 1097 32.91 1064.09  TRUE
## 30 30    d 2001-01-01          Pria Swasta 3.61  885 26.55  858.45 FALSE
## 31 31    e 2002-01-01        Wanita     LN 3.80 1161 34.83 1126.17  TRUE
## 32 32    f 2003-01-01          Pria Negeri 3.17  906 27.18  878.82 FALSE
## 33 33    g 2000-01-01        Wanita Negeri 3.93 1170 35.10 1134.90  TRUE
## 34 34    h 2001-01-01          Pria Negeri 3.66  759 22.77  736.23 FALSE
## 35 35    i 2002-01-01        Wanita     LN 3.30 1148 34.44 1113.56  TRUE
## 36 36    j 2003-01-01        Wanita Negeri 3.80 1028 30.84  997.16  TRUE
## 37 37    k 2000-01-01        Wanita Swasta 3.25  887 26.61  860.39 FALSE
## 38 38    l 2001-01-01        Wanita Negeri 3.33 1004 30.12  973.88  TRUE
## 39 39    m 2002-01-01        Wanita Swasta 3.30  736 22.08  713.92 FALSE
## 40 40    n 2003-01-01          Pria Negeri 3.28  875 26.25  848.75 FALSE
## 41 41    o 2000-01-01        Wanita Negeri 3.82  697 20.91  676.09 FALSE
## 42 42    p 2001-01-01          Pria Negeri 3.83  873 26.19  846.81 FALSE
## 43 43    q 2002-01-01          Pria     LN 3.42  669 20.07  648.93 FALSE
## 44 44    r 2003-01-01        Wanita Negeri 3.60  981 29.43  951.57  TRUE
## 45 45    s 2000-01-01          Pria Swasta 3.71  718 21.54  696.46 FALSE
## 46 46    t 2001-01-01        Wanita     LN 3.50  708 21.24  686.76 FALSE
## 47 47    u 2002-01-01        Wanita Swasta 3.27  654 19.62  634.38 FALSE
## 48 48    v 2003-01-01        Wanita     LN 3.95  606 18.18  587.82 FALSE
## 49 49    w 2000-01-01        Wanita     LN 3.51  720 21.60  698.40 FALSE
## 50 50    x 2001-01-01        Wanita Negeri 3.11  841 25.23  815.77 FALSE
## 51 51    y 2002-01-01          Pria Swasta 3.52 1200 36.00 1164.00  TRUE
## 52 52    z 2003-01-01        Wanita Negeri 3.72 1032 30.96 1001.04  TRUE
##            NA     NA
## 1  Gaji Besar level1
## 2  Gaji Kecil level1
## 3  Gaji Kecil level1
## 4  Gaji Kecil level1
## 5  Gaji Besar level1
## 6  Gaji Kecil level1
## 7  Gaji Besar level1
## 8  Gaji Kecil level1
## 9  Gaji Besar level2
## 10 Gaji Kecil level1
## 11 Gaji Besar level1
## 12 Gaji Kecil level1
## 13 Gaji Besar level2
## 14 Gaji Besar level1
## 15 Gaji Kecil level1
## 16 Gaji Kecil level1
## 17 Gaji Besar level1
## 18 Gaji Kecil level1
## 19 Gaji Kecil level1
## 20 Gaji Kecil level1
## 21 Gaji Besar level1
## 22 Gaji Kecil level1
## 23 Gaji Kecil level1
## 24 Gaji Kecil level1
## 25 Gaji Besar level2
## 26 Gaji Kecil level1
## 27 Gaji Kecil level1
## 28 Gaji Kecil level1
## 29 Gaji Besar level1
## 30 Gaji Kecil level1
## 31 Gaji Besar level2
## 32 Gaji Kecil level1
## 33 Gaji Besar level2
## 34 Gaji Kecil level1
## 35 Gaji Besar level1
## 36 Gaji Besar level2
## 37 Gaji Kecil level1
## 38 Gaji Besar level1
## 39 Gaji Kecil level1
## 40 Gaji Kecil level1
## 41 Gaji Kecil level1
## 42 Gaji Kecil level1
## 43 Gaji Kecil level1
## 44 Gaji Besar level2
## 45 Gaji Kecil level1
## 46 Gaji Kecil level1
## 47 Gaji Kecil level1
## 48 Gaji Kecil level1
## 49 Gaji Kecil level1
## 50 Gaji Kecil level1
## 51 Gaji Besar level2
## 52 Gaji Besar level2

8.1.2 Cara 2

Menggunakan fungsi rename() yang ada pada [dplyr package].

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.4     v dplyr   1.0.7
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   2.0.1     v forcats 0.5.1

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

Karyawan_R %>%
  rename("no" = "No",
         "nama" = "Nama",
         "tanggal.lahir" = "Tanggal_Lahir",
         "jenis.kelamin" = "Jenis_Kelamin",
         "univ" = "Universitas",
         "ipk" = "GPA",
         "gaji" = "Gaji")

##    no nama tanggal.lahir jenis.kelamin   univ  ipk gaji Pajak Gaji_Bersih
## 1   1    A    2000-01-01          Pria Swasta 3.41 1055 31.65     1023.35
## 2   2    B    2001-01-01        Wanita Swasta 3.53  868 26.04      841.96
## 3   3    C    2002-01-01          Pria Swasta 3.45  858 25.74      832.26
## 4   4    D    2003-01-01          Pria Negeri 3.53  872 26.16      845.84
## 5   5    E    2000-01-01        Wanita Swasta 3.08 1166 34.98     1131.02
## 6   6    F    2001-01-01        Wanita Negeri 3.32  945 28.35      916.65
## 7   7    G    2002-01-01          Pria Swasta 3.27 1051 31.53     1019.47
## 8   8    H    2003-01-01          Pria Negeri 3.19  666 19.98      646.02
## 9   9    I    2000-01-01          Pria Negeri 3.91 1154 34.62     1119.38
## 10 10    J    2001-01-01        Wanita     LN 3.77  617 18.51      598.49
## 11 11    K    2002-01-01          Pria Swasta 3.35 1136 34.08     1101.92
## 12 12    L    2003-01-01          Pria Swasta 3.26  693 20.79      672.21
## 13 13    M    2000-01-01        Wanita Negeri 3.52 1068 32.04     1035.96
## 14 14    N    2001-01-01          Pria Negeri 3.37 1144 34.32     1109.68
## 15 15    O    2002-01-01        Wanita Negeri 3.01  693 20.79      672.21
## 16 16    P    2003-01-01        Wanita     LN 3.11  662 19.86      642.14
## 17 17    Q    2000-01-01          Pria     LN 3.11 1138 34.14     1103.86
## 18 18    R    2001-01-01          Pria Negeri 3.94  894 26.82      867.18
## 19 19    S    2002-01-01          Pria Negeri 3.20  845 25.35      819.65
## 20 20    T    2003-01-01          Pria     LN 3.31  749 22.47      726.53
## 21 21    U    2000-01-01        Wanita Negeri 3.19 1179 35.37     1143.63
## 22 22    V    2001-01-01        Wanita Swasta 3.75  935 28.05      906.95
## 23 23    W    2002-01-01          Pria Swasta 3.68  734 22.02      711.98
## 24 24    X    2003-01-01          Pria Negeri 3.27  713 21.39      691.61
## 25 25    Y    2000-01-01        Wanita Negeri 3.82 1027 30.81      996.19
## 26 26    Z    2001-01-01          Pria Negeri 3.76  635 19.05      615.95
## 27 27    a    2002-01-01          Pria Negeri 3.48  893 26.79      866.21
## 28 28    b    2003-01-01        Wanita Negeri 3.12  755 22.65      732.35
## 29 29    c    2000-01-01          Pria Swasta 3.45 1097 32.91     1064.09
## 30 30    d    2001-01-01          Pria Swasta 3.61  885 26.55      858.45
## 31 31    e    2002-01-01        Wanita     LN 3.80 1161 34.83     1126.17
## 32 32    f    2003-01-01          Pria Negeri 3.17  906 27.18      878.82
## 33 33    g    2000-01-01        Wanita Negeri 3.93 1170 35.10     1134.90
## 34 34    h    2001-01-01          Pria Negeri 3.66  759 22.77      736.23
## 35 35    i    2002-01-01        Wanita     LN 3.30 1148 34.44     1113.56
## 36 36    j    2003-01-01        Wanita Negeri 3.80 1028 30.84      997.16
## 37 37    k    2000-01-01        Wanita Swasta 3.25  887 26.61      860.39
## 38 38    l    2001-01-01        Wanita Negeri 3.33 1004 30.12      973.88
## 39 39    m    2002-01-01        Wanita Swasta 3.30  736 22.08      713.92
## 40 40    n    2003-01-01          Pria Negeri 3.28  875 26.25      848.75
## 41 41    o    2000-01-01        Wanita Negeri 3.82  697 20.91      676.09
## 42 42    p    2001-01-01          Pria Negeri 3.83  873 26.19      846.81
## 43 43    q    2002-01-01          Pria     LN 3.42  669 20.07      648.93
## 44 44    r    2003-01-01        Wanita Negeri 3.60  981 29.43      951.57
## 45 45    s    2000-01-01          Pria Swasta 3.71  718 21.54      696.46
## 46 46    t    2001-01-01        Wanita     LN 3.50  708 21.24      686.76
## 47 47    u    2002-01-01        Wanita Swasta 3.27  654 19.62      634.38
## 48 48    v    2003-01-01        Wanita     LN 3.95  606 18.18      587.82
## 49 49    w    2000-01-01        Wanita     LN 3.51  720 21.60      698.40
## 50 50    x    2001-01-01        Wanita Negeri 3.11  841 25.23      815.77
## 51 51    y    2002-01-01          Pria Swasta 3.52 1200 36.00     1164.00
## 52 52    z    2003-01-01        Wanita Negeri 3.72 1032 30.96     1001.04
##    Gaji_Grup1 Gaji_Grup2 Gaji_Grup3
## 1        TRUE Gaji Besar     level1
## 2       FALSE Gaji Kecil     level1
## 3       FALSE Gaji Kecil     level1
## 4       FALSE Gaji Kecil     level1
## 5        TRUE Gaji Besar     level1
## 6       FALSE Gaji Kecil     level1
## 7        TRUE Gaji Besar     level1
## 8       FALSE Gaji Kecil     level1
## 9        TRUE Gaji Besar     level2
## 10      FALSE Gaji Kecil     level1
## 11       TRUE Gaji Besar     level1
## 12      FALSE Gaji Kecil     level1
## 13       TRUE Gaji Besar     level2
## 14       TRUE Gaji Besar     level1
## 15      FALSE Gaji Kecil     level1
## 16      FALSE Gaji Kecil     level1
## 17       TRUE Gaji Besar     level1
## 18      FALSE Gaji Kecil     level1
## 19      FALSE Gaji Kecil     level1
## 20      FALSE Gaji Kecil     level1
## 21       TRUE Gaji Besar     level1
## 22      FALSE Gaji Kecil     level1
## 23      FALSE Gaji Kecil     level1
## 24      FALSE Gaji Kecil     level1
## 25       TRUE Gaji Besar     level2
## 26      FALSE Gaji Kecil     level1
## 27      FALSE Gaji Kecil     level1
## 28      FALSE Gaji Kecil     level1
## 29       TRUE Gaji Besar     level1
## 30      FALSE Gaji Kecil     level1
## 31       TRUE Gaji Besar     level2
## 32      FALSE Gaji Kecil     level1
## 33       TRUE Gaji Besar     level2
## 34      FALSE Gaji Kecil     level1
## 35       TRUE Gaji Besar     level1
## 36       TRUE Gaji Besar     level2
## 37      FALSE Gaji Kecil     level1
## 38       TRUE Gaji Besar     level1
## 39      FALSE Gaji Kecil     level1
## 40      FALSE Gaji Kecil     level1
## 41      FALSE Gaji Kecil     level1
## 42      FALSE Gaji Kecil     level1
## 43      FALSE Gaji Kecil     level1
## 44       TRUE Gaji Besar     level2
## 45      FALSE Gaji Kecil     level1
## 46      FALSE Gaji Kecil     level1
## 47      FALSE Gaji Kecil     level1
## 48      FALSE Gaji Kecil     level1
## 49      FALSE Gaji Kecil     level1
## 50      FALSE Gaji Kecil     level1
## 51       TRUE Gaji Besar     level2
## 52       TRUE Gaji Besar     level2

Metode Statistika

Tugas 2

Sabrina Yose Amelia (20205520004)

September 06, 2021