Mengenal Struktur Data
Tugas 3
Valensius Jimy (20214920005)
September 06, 2021
Email : valensiusjimy27@gmail.com
RPubs : https://rpubs.com/valensiusjimy/
Jurusan : Statistika
Address : Jalan Promoter 41, Lengkong Gudang Timur,
Tanggerang Selatan, BANTEN. 15321
List
List merupakan suatu struktur data pada R dan Python yang memiliki kemampuan untuk menyimpan lebih dari satu data, sebagai contohnya adalah array. berikut ini saya akan mencoba mengaplikasikan atau mencoba untuk membuat list mengenai pertemanan saya dengan bahasa R.
Membuat List Teman Dekat
list1 = list("Febby","Calvin","Baim","Naftali","Andreas")
print(c(list1))## [[1]]
## [1] "Febby"
##
## [[2]]
## [1] "Calvin"
##
## [[3]]
## [1] "Baim"
##
## [[4]]
## [1] "Naftali"
##
## [[5]]
## [1] "Andreas"Memilih Satu Teman Dengan Indeks
print(c(list1[1]))## [[1]]
## [1] "Febby"Menghapus dan Menambah Teman Baru
list1[2] = "Toti"
print(c(list1))## [[1]]
## [1] "Febby"
##
## [[2]]
## [1] "Toti"
##
## [[3]]
## [1] "Baim"
##
## [[4]]
## [1] "Naftali"
##
## [[5]]
## [1] "Andreas"Cara Menghitung Banyaknya Teman
length(list1)## [1] 5Tuple
Tuple pada R dan Python merupakan suatu struktur data yang berfungsi untuk menyimpan sekumpulan data. Lalu, isi pada Tuple tidak dapat kita ubah dan dihapus.
library(sets)
# Membuat Tuple Berisi 5 Item
tuple1 = tuple("halo","babang","tamvan","ingin","lewat")
tuple2 = tuple("sini","sana","atas","bawah","belakang")# Mengakses Nilai Tuple
print(tuple1[2])## ("babang")# Memotong Tuple
print(tuple1[2:5])## ("babang", "tamvan", "ingin", "lewat")# Nested Tuple
tuple3 = c(tuple1, tuple2)
tuple4 = rep(tuple1, 2)
print(tuple3)## ("halo", "babang", "tamvan", "ingin", "lewat", "sini", "sana", "atas",
## "bawah", "belakang")print(tuple4)## ("halo", "babang", "tamvan", "ingin", "lewat", "halo", "babang",
## "tamvan", "ingin", "lewat")Dictionary
Pada R dan Python kita juga mengenal yang namanya Dictionary, yaitu struktur data yang bentuknya seperti layaknya kamus. Dictionary memiliki kunci berupa teks atau angka. Berbeda dengan list dan tuple yang menggunakan angka saja untuk mengakses nilainya.
library(Dict)##
## Attaching package: 'Dict'## The following object is masked from 'package:sets':
##
## %>%# Membuat dan Mengakses Nilai Dictionary
bangjeki = dict(
nama = "Valensius Jimy",
umur = 19L,
hobi = list("main gitar"," hobi membuat kopi","berniaga"),
pria = TRUE,
sosmed = tuple(instagram = "its_bangjekii")
)
print(bangjeki)## # A tibble: 5 x 2
## key value
## <chr> <list>
## 1 nama <chr [1]>
## 2 umur <int [1]>
## 3 hobi <list [3]>
## 4 pria <lgl [1]>
## 5 sosmed <tuple>cat("nama saya adalah", bangjeki$get('nama'))## nama saya adalah Valensius Jimy# Mengubah Nilai Item
bangjeki['nama'] = "Valensius Jimy Eugene Rosse"
print(bangjeki$get('nama'))## [1] "Valensius Jimy Eugene Rosse"# Cara Lain Akses Library
print(bangjeki$get('hobi')[2])## [[1]]
## [1] " hobi membuat kopi"# Menambahkan Item Pada Dictionary
bangjeki$add(motto = "hidup santuy tapi pasti") # menambahkan
print(bangjeki)## # A tibble: 6 x 2
## key value
## <chr> <list>
## 1 hobi <list [3]>
## 2 nama <chr [1]>
## 3 pria <lgl [1]>
## 4 sosmed <tuple>
## 5 umur <int [1]>
## 6 motto <chr [1]># Menghapus Item dari Dictionary
bangjeki$clear()
print(bangjeki)## # A tibble: 0 x 2
## # ... with 2 variables: key <chr>, value <list>Data Frame
Data Frame pada R dan Python merupakan suatu tabel yang seperti array dua dimensi di mana pada setiap kolom berisi nilai dari satu variabel dan setiap baris berisi satu set nilai dari setiap kolom.
Penggunaan Data Frame Pada R
# membentuk data frame 1
df1_R <- data.frame(nomor = c(1:5),
nama = c("Jeki","Baim","Jawir","Budi","Nina"),
jabatan = c("Direktur","Manajer Operasional","Sales Marketing","Sales Marketing","Humas"),
lulusan = c("SMA","Sarjana Ekonomi","Sarjana Manajemen","Sarjana Ekonomi","Sarjana Pendidikan"),
agama = c("Kristen","Kristen","Islam","Buddha","Judaisme")
)
# membentuk data frame 2
df2_R <- data.frame(nomor = c(6:10),
nama = c("Naftali","Febby","Alika","Rio","Andreas"),
jabatan = c("Barista","Barista","Kasir","Koki","Satpam"),
lulusan = c("SMA","Sarjana Ilkom","SMP","SMA","SMK"),
agama = c("Kristen","Kristen","Kristen","Hindu","Islam")
)Operasi yang dapat diperintahkan
df3_R = rbind(df1_R,df2_R) # untuk menggabungkan kedua data frame
# operasi yang dapat dilakukan pada data frame
print(df3_R)## nomor nama jabatan lulusan agama
## 1 1 Jeki Direktur SMA Kristen
## 2 2 Baim Manajer Operasional Sarjana Ekonomi Kristen
## 3 3 Jawir Sales Marketing Sarjana Manajemen Islam
## 4 4 Budi Sales Marketing Sarjana Ekonomi Buddha
## 5 5 Nina Humas Sarjana Pendidikan Judaisme
## 6 6 Naftali Barista SMA Kristen
## 7 7 Febby Barista Sarjana Ilkom Kristen
## 8 8 Alika Kasir SMP Kristen
## 9 9 Rio Koki SMA Hindu
## 10 10 Andreas Satpam SMK Islamhead(df3_R) #cetak 6 baris dari atas## nomor nama jabatan lulusan agama
## 1 1 Jeki Direktur SMA Kristen
## 2 2 Baim Manajer Operasional Sarjana Ekonomi Kristen
## 3 3 Jawir Sales Marketing Sarjana Manajemen Islam
## 4 4 Budi Sales Marketing Sarjana Ekonomi Buddha
## 5 5 Nina Humas Sarjana Pendidikan Judaisme
## 6 6 Naftali Barista SMA Kristentail(df3_R) #cetak 6 baris dari bawah## nomor nama jabatan lulusan agama
## 5 5 Nina Humas Sarjana Pendidikan Judaisme
## 6 6 Naftali Barista SMA Kristen
## 7 7 Febby Barista Sarjana Ilkom Kristen
## 8 8 Alika Kasir SMP Kristen
## 9 9 Rio Koki SMA Hindu
## 10 10 Andreas Satpam SMK Islamhead(df3_R ,3) #cetak 3 baris dari atas## nomor nama jabatan lulusan agama
## 1 1 Jeki Direktur SMA Kristen
## 2 2 Baim Manajer Operasional Sarjana Ekonomi Kristen
## 3 3 Jawir Sales Marketing Sarjana Manajemen Islam#View(df3_R) #lihat data frame di Rstudio seperti exelclass(df3_R) #lihat tipe data frame## [1] "data.frame"str(df3_R) #cek struktur## 'data.frame': 10 obs. of 5 variables:
## $ nomor : int 1 2 3 4 5 6 7 8 9 10
## $ nama : chr "Jeki" "Baim" "Jawir" "Budi" ...
## $ jabatan: chr "Direktur" "Manajer Operasional" "Sales Marketing" "Sales Marketing" ...
## $ lulusan: chr "SMA" "Sarjana Ekonomi" "Sarjana Manajemen" "Sarjana Ekonomi" ...
## $ agama : chr "Kristen" "Kristen" "Islam" "Buddha" ...dim(df3_R) #cek dimensi## [1] 10 5summary(df3_R) #summary statistik dasar## nomor nama jabatan lulusan
## 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
## agama
## Length:10
## Class :character
## Mode :character
##
##
## #read.table() atau read.csv() untuk membaca data setPengindeksan, Pengirisan, dan Sub-setting
Kode = (1:52)
Nama = c(LETTERS,letters)
Jenis_Kelamin = sample(rep(c("Pria","Wanita"),times=26))
tahun = seq(as.Date("1999/09/19"), by="year", length.out=4)
Tanggal_Lahir = rep(tahun,times=13)
univ1 = rep("Negeri",times=35)
univ2 = rep("Swasta",times=10)
univ3 = rep("Luar Negeri", times=7)
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 1999-09-19 Swasta 3.66 1042
## 2 2 B Pria 2000-09-19 Negeri 3.77 1097
## 3 3 C Pria 2001-09-19 Swasta 3.95 935
## 4 4 D Wanita 2002-09-19 Negeri 3.76 662
## 5 5 E Wanita 1999-09-19 Negeri 3.60 776
## 6 6 F Pria 2000-09-19 Negeri 3.54 937
## 7 7 G Wanita 2001-09-19 Swasta 3.62 940
## 8 8 H Wanita 2002-09-19 Negeri 3.55 690
## 9 9 I Pria 1999-09-19 Negeri 3.66 1067
## 10 10 J Pria 2000-09-19 Luar Negeri 3.81 693
## 11 11 K Pria 2001-09-19 Swasta 3.78 988
## 12 12 L Wanita 2002-09-19 Negeri 3.73 977
## 13 13 M Wanita 1999-09-19 Swasta 3.60 876
## 14 14 N Wanita 2000-09-19 Negeri 3.79 888
## 15 15 O Wanita 2001-09-19 Negeri 3.88 688
## 16 16 P Pria 2002-09-19 Swasta 3.79 878
## 17 17 Q Wanita 1999-09-19 Negeri 3.88 1174
## 18 18 R Wanita 2000-09-19 Swasta 3.87 891
## 19 19 S Wanita 2001-09-19 Negeri 3.74 844
## 20 20 T Pria 2002-09-19 Luar Negeri 3.99 664
## 21 21 U Wanita 1999-09-19 Negeri 3.53 781
## 22 22 V Pria 2000-09-19 Negeri 3.51 750
## 23 23 W Pria 2001-09-19 Negeri 3.84 670
## 24 24 X Wanita 2002-09-19 Negeri 3.71 1066
## 25 25 Y Pria 1999-09-19 Luar Negeri 3.50 955
## 26 26 Z Wanita 2000-09-19 Negeri 3.78 1004
## 27 27 a Wanita 2001-09-19 Negeri 3.51 1044
## 28 28 b Pria 2002-09-19 Luar Negeri 3.52 917
## 29 29 c Pria 1999-09-19 Negeri 3.90 1124
## 30 30 d Wanita 2000-09-19 Swasta 3.72 843
## 31 31 e Pria 2001-09-19 Negeri 3.75 869
## 32 32 f Pria 2002-09-19 Luar Negeri 3.70 826
## 33 33 g Wanita 1999-09-19 Negeri 3.57 892
## 34 34 h Pria 2000-09-19 Negeri 3.65 891
## 35 35 i Wanita 2001-09-19 Negeri 3.96 608
## 36 36 j Pria 2002-09-19 Negeri 3.66 1087
## 37 37 k Pria 1999-09-19 Swasta 3.77 663
## 38 38 l Wanita 2000-09-19 Negeri 3.56 1177
## 39 39 m Wanita 2001-09-19 Negeri 3.73 1023
## 40 40 n Pria 2002-09-19 Swasta 3.85 716
## 41 41 o Wanita 1999-09-19 Negeri 3.77 689
## 42 42 p Wanita 2000-09-19 Negeri 3.89 1093
## 43 43 q Pria 2001-09-19 Negeri 3.92 1123
## 44 44 r Wanita 2002-09-19 Negeri 3.84 988
## 45 45 s Pria 1999-09-19 Negeri 3.87 777
## 46 46 t Wanita 2000-09-19 Negeri 3.65 775
## 47 47 u Pria 2001-09-19 Negeri 3.84 795
## 48 48 v Pria 2002-09-19 Negeri 3.95 690
## 49 49 w Pria 1999-09-19 Luar Negeri 3.79 856
## 50 50 x Wanita 2000-09-19 Negeri 3.85 1112
## 51 51 y Pria 2001-09-19 Luar Negeri 3.53 1055
## 52 52 z Pria 2002-09-19 Negeri 3.68 979typeof(Karyawan_R)## [1] "list"Karyawan_R[1:5] # ekstrak baris ke-1 sampai kolom ke-5## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1 1 A Wanita 1999-09-19 Swasta
## 2 2 B Pria 2000-09-19 Negeri
## 3 3 C Pria 2001-09-19 Swasta
## 4 4 D Wanita 2002-09-19 Negeri
## 5 5 E Wanita 1999-09-19 Negeri
## 6 6 F Pria 2000-09-19 Negeri
## 7 7 G Wanita 2001-09-19 Swasta
## 8 8 H Wanita 2002-09-19 Negeri
## 9 9 I Pria 1999-09-19 Negeri
## 10 10 J Pria 2000-09-19 Luar Negeri
## 11 11 K Pria 2001-09-19 Swasta
## 12 12 L Wanita 2002-09-19 Negeri
## 13 13 M Wanita 1999-09-19 Swasta
## 14 14 N Wanita 2000-09-19 Negeri
## 15 15 O Wanita 2001-09-19 Negeri
## 16 16 P Pria 2002-09-19 Swasta
## 17 17 Q Wanita 1999-09-19 Negeri
## 18 18 R Wanita 2000-09-19 Swasta
## 19 19 S Wanita 2001-09-19 Negeri
## 20 20 T Pria 2002-09-19 Luar Negeri
## 21 21 U Wanita 1999-09-19 Negeri
## 22 22 V Pria 2000-09-19 Negeri
## 23 23 W Pria 2001-09-19 Negeri
## 24 24 X Wanita 2002-09-19 Negeri
## 25 25 Y Pria 1999-09-19 Luar Negeri
## 26 26 Z Wanita 2000-09-19 Negeri
## 27 27 a Wanita 2001-09-19 Negeri
## 28 28 b Pria 2002-09-19 Luar Negeri
## 29 29 c Pria 1999-09-19 Negeri
## 30 30 d Wanita 2000-09-19 Swasta
## 31 31 e Pria 2001-09-19 Negeri
## 32 32 f Pria 2002-09-19 Luar Negeri
## 33 33 g Wanita 1999-09-19 Negeri
## 34 34 h Pria 2000-09-19 Negeri
## 35 35 i Wanita 2001-09-19 Negeri
## 36 36 j Pria 2002-09-19 Negeri
## 37 37 k Pria 1999-09-19 Swasta
## 38 38 l Wanita 2000-09-19 Negeri
## 39 39 m Wanita 2001-09-19 Negeri
## 40 40 n Pria 2002-09-19 Swasta
## 41 41 o Wanita 1999-09-19 Negeri
## 42 42 p Wanita 2000-09-19 Negeri
## 43 43 q Pria 2001-09-19 Negeri
## 44 44 r Wanita 2002-09-19 Negeri
## 45 45 s Pria 1999-09-19 Negeri
## 46 46 t Wanita 2000-09-19 Negeri
## 47 47 u Pria 2001-09-19 Negeri
## 48 48 v Pria 2002-09-19 Negeri
## 49 49 w Pria 1999-09-19 Luar Negeri
## 50 50 x Wanita 2000-09-19 Negeri
## 51 51 y Pria 2001-09-19 Luar Negeri
## 52 52 z Pria 2002-09-19 NegeriKaryawan_R$Gaji # ekstrak spesifik kolom## [1] 1042 1097 935 662 776 937 940 690 1067 693 988 977 876 888 688
## [16] 878 1174 891 844 664 781 750 670 1066 955 1004 1044 917 1124 843
## [31] 869 826 892 891 608 1087 663 1177 1023 716 689 1093 1123 988 777
## [46] 775 795 690 856 1112 1055 979Karyawan_R[c('Nama','Universitas')] # ekstrak lebih dari satu elemen## Nama Universitas
## 1 A Swasta
## 2 B Negeri
## 3 C Swasta
## 4 D Negeri
## 5 E Negeri
## 6 F Negeri
## 7 G Swasta
## 8 H Negeri
## 9 I Negeri
## 10 J Luar Negeri
## 11 K Swasta
## 12 L Negeri
## 13 M Swasta
## 14 N Negeri
## 15 O Negeri
## 16 P Swasta
## 17 Q Negeri
## 18 R Swasta
## 19 S Negeri
## 20 T Luar Negeri
## 21 U Negeri
## 22 V Negeri
## 23 W Negeri
## 24 X Negeri
## 25 Y Luar Negeri
## 26 Z Negeri
## 27 a Negeri
## 28 b Luar Negeri
## 29 c Negeri
## 30 d Swasta
## 31 e Negeri
## 32 f Luar Negeri
## 33 g Negeri
## 34 h Negeri
## 35 i Negeri
## 36 j Negeri
## 37 k Swasta
## 38 l Negeri
## 39 m Negeri
## 40 n Swasta
## 41 o Negeri
## 42 p Negeri
## 43 q Negeri
## 44 r Negeri
## 45 s Negeri
## 46 t Negeri
## 47 u Negeri
## 48 v Negeri
## 49 w Luar Negeri
## 50 x Negeri
## 51 y Luar Negeri
## 52 z NegeriKaryawan_R[,1:5] # ekstrak 5 kolom pertama## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1 1 A Wanita 1999-09-19 Swasta
## 2 2 B Pria 2000-09-19 Negeri
## 3 3 C Pria 2001-09-19 Swasta
## 4 4 D Wanita 2002-09-19 Negeri
## 5 5 E Wanita 1999-09-19 Negeri
## 6 6 F Pria 2000-09-19 Negeri
## 7 7 G Wanita 2001-09-19 Swasta
## 8 8 H Wanita 2002-09-19 Negeri
## 9 9 I Pria 1999-09-19 Negeri
## 10 10 J Pria 2000-09-19 Luar Negeri
## 11 11 K Pria 2001-09-19 Swasta
## 12 12 L Wanita 2002-09-19 Negeri
## 13 13 M Wanita 1999-09-19 Swasta
## 14 14 N Wanita 2000-09-19 Negeri
## 15 15 O Wanita 2001-09-19 Negeri
## 16 16 P Pria 2002-09-19 Swasta
## 17 17 Q Wanita 1999-09-19 Negeri
## 18 18 R Wanita 2000-09-19 Swasta
## 19 19 S Wanita 2001-09-19 Negeri
## 20 20 T Pria 2002-09-19 Luar Negeri
## 21 21 U Wanita 1999-09-19 Negeri
## 22 22 V Pria 2000-09-19 Negeri
## 23 23 W Pria 2001-09-19 Negeri
## 24 24 X Wanita 2002-09-19 Negeri
## 25 25 Y Pria 1999-09-19 Luar Negeri
## 26 26 Z Wanita 2000-09-19 Negeri
## 27 27 a Wanita 2001-09-19 Negeri
## 28 28 b Pria 2002-09-19 Luar Negeri
## 29 29 c Pria 1999-09-19 Negeri
## 30 30 d Wanita 2000-09-19 Swasta
## 31 31 e Pria 2001-09-19 Negeri
## 32 32 f Pria 2002-09-19 Luar Negeri
## 33 33 g Wanita 1999-09-19 Negeri
## 34 34 h Pria 2000-09-19 Negeri
## 35 35 i Wanita 2001-09-19 Negeri
## 36 36 j Pria 2002-09-19 Negeri
## 37 37 k Pria 1999-09-19 Swasta
## 38 38 l Wanita 2000-09-19 Negeri
## 39 39 m Wanita 2001-09-19 Negeri
## 40 40 n Pria 2002-09-19 Swasta
## 41 41 o Wanita 1999-09-19 Negeri
## 42 42 p Wanita 2000-09-19 Negeri
## 43 43 q Pria 2001-09-19 Negeri
## 44 44 r Wanita 2002-09-19 Negeri
## 45 45 s Pria 1999-09-19 Negeri
## 46 46 t Wanita 2000-09-19 Negeri
## 47 47 u Pria 2001-09-19 Negeri
## 48 48 v Pria 2002-09-19 Negeri
## 49 49 w Pria 1999-09-19 Luar Negeri
## 50 50 x Wanita 2000-09-19 Negeri
## 51 51 y Pria 2001-09-19 Luar Negeri
## 52 52 z Pria 2002-09-19 NegeriKaryawan_R[1:5,] # ekstrak 5 baris pertama## Kode Nama Jenis_Kelamin Tanggal_Lahir Universitas GPA Gaji
## 1 1 A Wanita 1999-09-19 Swasta 3.66 1042
## 2 2 B Pria 2000-09-19 Negeri 3.77 1097
## 3 3 C Pria 2001-09-19 Swasta 3.95 935
## 4 4 D Wanita 2002-09-19 Negeri 3.76 662
## 5 5 E Wanita 1999-09-19 Negeri 3.60 776#ekstrak kolom ke 1 dan 3
subset(Karyawan_R, select=c(1,3))## Kode Jenis_Kelamin
## 1 1 Wanita
## 2 2 Pria
## 3 3 Pria
## 4 4 Wanita
## 5 5 Wanita
## 6 6 Pria
## 7 7 Wanita
## 8 8 Wanita
## 9 9 Pria
## 10 10 Pria
## 11 11 Pria
## 12 12 Wanita
## 13 13 Wanita
## 14 14 Wanita
## 15 15 Wanita
## 16 16 Pria
## 17 17 Wanita
## 18 18 Wanita
## 19 19 Wanita
## 20 20 Pria
## 21 21 Wanita
## 22 22 Pria
## 23 23 Pria
## 24 24 Wanita
## 25 25 Pria
## 26 26 Wanita
## 27 27 Wanita
## 28 28 Pria
## 29 29 Pria
## 30 30 Wanita
## 31 31 Pria
## 32 32 Pria
## 33 33 Wanita
## 34 34 Pria
## 35 35 Wanita
## 36 36 Pria
## 37 37 Pria
## 38 38 Wanita
## 39 39 Wanita
## 40 40 Pria
## 41 41 Wanita
## 42 42 Wanita
## 43 43 Pria
## 44 44 Wanita
## 45 45 Pria
## 46 46 Wanita
## 47 47 Pria
## 48 48 Pria
## 49 49 Pria
## 50 50 Wanita
## 51 51 Pria
## 52 52 PriaKaryawan_R$Pajak = Karyawan_R$Gaji*0.1
Karyawan_R$Gaji_Bersih = Karyawan_R$Gaji-Karyawan_R$Pajak
Karyawan_R$Gaji_Group1 = Karyawan_R$Gaji > 900
Karyawan_R$Gaji_Group2 = ifelse(Karyawan_R$Gaji > 900,
"Gaji Besar",
"Gaji Kecil")
Karyawan_R$Gaji_Group3 = factor(Karyawan_R$GPA >3.3 &
Karyawan_R$Gaji> 900,
label = c("level 11","level 12"))
min(Karyawan_R$Gaji)## [1] 608max(Karyawan_R$Gaji)## [1] 1177mean(Karyawan_R$Gaji)## [1] 895.0962var(Karyawan_R$Gaji) ## [1] 24685.46sd(Karyawan_R$Gaji) ## [1] 157.1161summary(Karyawan_R$Gaji) ## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 608.0 775.8 891.0 895.1 1027.8 1177.0Membuat Operasi Ganti Nama Variabel
rename_1 <- Karyawan_R
names(rename_1)<- c( "nomor",
"nama",
"tgl.lahir",
"jenis.kelamin",
"univ",
"ipk",
"gaji")
rename_1## nomor nama tgl.lahir jenis.kelamin univ ipk gaji NA NA NA
## 1 1 A Wanita 1999-09-19 Swasta 3.66 1042 104.2 937.8 TRUE
## 2 2 B Pria 2000-09-19 Negeri 3.77 1097 109.7 987.3 TRUE
## 3 3 C Pria 2001-09-19 Swasta 3.95 935 93.5 841.5 TRUE
## 4 4 D Wanita 2002-09-19 Negeri 3.76 662 66.2 595.8 FALSE
## 5 5 E Wanita 1999-09-19 Negeri 3.60 776 77.6 698.4 FALSE
## 6 6 F Pria 2000-09-19 Negeri 3.54 937 93.7 843.3 TRUE
## 7 7 G Wanita 2001-09-19 Swasta 3.62 940 94.0 846.0 TRUE
## 8 8 H Wanita 2002-09-19 Negeri 3.55 690 69.0 621.0 FALSE
## 9 9 I Pria 1999-09-19 Negeri 3.66 1067 106.7 960.3 TRUE
## 10 10 J Pria 2000-09-19 Luar Negeri 3.81 693 69.3 623.7 FALSE
## 11 11 K Pria 2001-09-19 Swasta 3.78 988 98.8 889.2 TRUE
## 12 12 L Wanita 2002-09-19 Negeri 3.73 977 97.7 879.3 TRUE
## 13 13 M Wanita 1999-09-19 Swasta 3.60 876 87.6 788.4 FALSE
## 14 14 N Wanita 2000-09-19 Negeri 3.79 888 88.8 799.2 FALSE
## 15 15 O Wanita 2001-09-19 Negeri 3.88 688 68.8 619.2 FALSE
## 16 16 P Pria 2002-09-19 Swasta 3.79 878 87.8 790.2 FALSE
## 17 17 Q Wanita 1999-09-19 Negeri 3.88 1174 117.4 1056.6 TRUE
## 18 18 R Wanita 2000-09-19 Swasta 3.87 891 89.1 801.9 FALSE
## 19 19 S Wanita 2001-09-19 Negeri 3.74 844 84.4 759.6 FALSE
## 20 20 T Pria 2002-09-19 Luar Negeri 3.99 664 66.4 597.6 FALSE
## 21 21 U Wanita 1999-09-19 Negeri 3.53 781 78.1 702.9 FALSE
## 22 22 V Pria 2000-09-19 Negeri 3.51 750 75.0 675.0 FALSE
## 23 23 W Pria 2001-09-19 Negeri 3.84 670 67.0 603.0 FALSE
## 24 24 X Wanita 2002-09-19 Negeri 3.71 1066 106.6 959.4 TRUE
## 25 25 Y Pria 1999-09-19 Luar Negeri 3.50 955 95.5 859.5 TRUE
## 26 26 Z Wanita 2000-09-19 Negeri 3.78 1004 100.4 903.6 TRUE
## 27 27 a Wanita 2001-09-19 Negeri 3.51 1044 104.4 939.6 TRUE
## 28 28 b Pria 2002-09-19 Luar Negeri 3.52 917 91.7 825.3 TRUE
## 29 29 c Pria 1999-09-19 Negeri 3.90 1124 112.4 1011.6 TRUE
## 30 30 d Wanita 2000-09-19 Swasta 3.72 843 84.3 758.7 FALSE
## 31 31 e Pria 2001-09-19 Negeri 3.75 869 86.9 782.1 FALSE
## 32 32 f Pria 2002-09-19 Luar Negeri 3.70 826 82.6 743.4 FALSE
## 33 33 g Wanita 1999-09-19 Negeri 3.57 892 89.2 802.8 FALSE
## 34 34 h Pria 2000-09-19 Negeri 3.65 891 89.1 801.9 FALSE
## 35 35 i Wanita 2001-09-19 Negeri 3.96 608 60.8 547.2 FALSE
## 36 36 j Pria 2002-09-19 Negeri 3.66 1087 108.7 978.3 TRUE
## 37 37 k Pria 1999-09-19 Swasta 3.77 663 66.3 596.7 FALSE
## 38 38 l Wanita 2000-09-19 Negeri 3.56 1177 117.7 1059.3 TRUE
## 39 39 m Wanita 2001-09-19 Negeri 3.73 1023 102.3 920.7 TRUE
## 40 40 n Pria 2002-09-19 Swasta 3.85 716 71.6 644.4 FALSE
## 41 41 o Wanita 1999-09-19 Negeri 3.77 689 68.9 620.1 FALSE
## 42 42 p Wanita 2000-09-19 Negeri 3.89 1093 109.3 983.7 TRUE
## 43 43 q Pria 2001-09-19 Negeri 3.92 1123 112.3 1010.7 TRUE
## 44 44 r Wanita 2002-09-19 Negeri 3.84 988 98.8 889.2 TRUE
## 45 45 s Pria 1999-09-19 Negeri 3.87 777 77.7 699.3 FALSE
## 46 46 t Wanita 2000-09-19 Negeri 3.65 775 77.5 697.5 FALSE
## 47 47 u Pria 2001-09-19 Negeri 3.84 795 79.5 715.5 FALSE
## 48 48 v Pria 2002-09-19 Negeri 3.95 690 69.0 621.0 FALSE
## 49 49 w Pria 1999-09-19 Luar Negeri 3.79 856 85.6 770.4 FALSE
## 50 50 x Wanita 2000-09-19 Negeri 3.85 1112 111.2 1000.8 TRUE
## 51 51 y Pria 2001-09-19 Luar Negeri 3.53 1055 105.5 949.5 TRUE
## 52 52 z Pria 2002-09-19 Negeri 3.68 979 97.9 881.1 TRUE
## NA NA
## 1 Gaji Besar level 12
## 2 Gaji Besar level 12
## 3 Gaji Besar level 12
## 4 Gaji Kecil level 11
## 5 Gaji Kecil level 11
## 6 Gaji Besar level 12
## 7 Gaji Besar level 12
## 8 Gaji Kecil level 11
## 9 Gaji Besar level 12
## 10 Gaji Kecil level 11
## 11 Gaji Besar level 12
## 12 Gaji Besar level 12
## 13 Gaji Kecil level 11
## 14 Gaji Kecil level 11
## 15 Gaji Kecil level 11
## 16 Gaji Kecil level 11
## 17 Gaji Besar level 12
## 18 Gaji Kecil level 11
## 19 Gaji Kecil level 11
## 20 Gaji Kecil level 11
## 21 Gaji Kecil level 11
## 22 Gaji Kecil level 11
## 23 Gaji Kecil level 11
## 24 Gaji Besar level 12
## 25 Gaji Besar level 12
## 26 Gaji Besar level 12
## 27 Gaji Besar level 12
## 28 Gaji Besar level 12
## 29 Gaji Besar level 12
## 30 Gaji Kecil level 11
## 31 Gaji Kecil level 11
## 32 Gaji Kecil level 11
## 33 Gaji Kecil level 11
## 34 Gaji Kecil level 11
## 35 Gaji Kecil level 11
## 36 Gaji Besar level 12
## 37 Gaji Kecil level 11
## 38 Gaji Besar level 12
## 39 Gaji Besar level 12
## 40 Gaji Kecil level 11
## 41 Gaji Kecil level 11
## 42 Gaji Besar level 12
## 43 Gaji Besar level 12
## 44 Gaji Besar level 12
## 45 Gaji Kecil level 11
## 46 Gaji Kecil level 11
## 47 Gaji Kecil level 11
## 48 Gaji Kecil level 11
## 49 Gaji Kecil level 11
## 50 Gaji Besar level 12
## 51 Gaji Besar level 12
## 52 Gaji Besar level 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