Tugas 3
Algoritma & Struktur Data
Yosia (20204920012)
07/9/2021
Email : yosia.yosia@student.matanauniversity.ac.id
RPubs : https://rpubs.com/yosia
Jurusan : Statistika
Instagram : yyosia
Contact : 085779286780
Address : ARA Center, Matana University Tower
Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.
1 Membuat Program dengan List R
Membentuk list
list0 = list("Carlos","Kev","Dave","Nael","Parestu")
print(list0)Pengindeksan Nilai dari list
list0 = list("Carlos","Kev","Dave","Nael","Parestu")
print(list0[4])## [[1]]
## [1] "Nael"Mengganti nama di list
list0 = list("Carlos","Kev","Dave","Nael","Parestu")
list0[3] = "Naufal"
print(list0)## [[1]]
## [1] "Carlos"
##
## [[2]]
## [1] "Kev"
##
## [[3]]
## [1] "Naufal"
##
## [[4]]
## [1] "Nael"
##
## [[5]]
## [1] "Parestu"Menghitung banyak teman di list
list0 = list("Carlos","Kev","Dave","Nael","Parestu")
length(list0)## [1] 52 Buatlah contoh menyimpan sekumpulan tuple dengan R
library(sets)
tuple0 = tuple("Apa", "yang", "kamu", "pelajari", "barusan?") # membuat tuple 5 item
tuple1 = tuple("bukan","apa-apa") # membuat tuple 2 item
print(tuple0) # mengakses nilai tuple## ("Apa", "yang", "kamu", "pelajari", "barusan?")print(tuple0[1:4]) # slicing nilai tuple## ("Apa", "yang", "kamu", "pelajari")tuple2 = c(tuple0,tuple1) # Nested Tuple
print(tuple2)## ("Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa")tuple3 = rep(tuple2, 10) # Nested Tuple
print(tuple3)## ("Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa",
## "Apa", "yang", "kamu", "pelajari", "barusan?", "bukan", "apa-apa")names(tuple0) = c("index1","index2","index3","index4","index5") # Unpacking Sequence
print(tuple0)## (index1 = "Apa", index2 = "yang", index3 = "kamu", index4 = "pelajari",
## index5 = "barusan?")3 Buatlah contoh menyimpan sekumpulan Dictionary
library(Dict) ##
## Attaching package: 'Dict'## The following object is masked from 'package:sets':
##
## %>%yosia = dict(
nama = "Yosia",
tgl_lahir = "Jakarta 19 July 2002",
umur = as.integer(19),
agama = "Kristen",
hobi = list("Basket","Badminton","Berenang","hiking"),
status_perkawinan = FALSE,
fav.film = tuple(horor = "Fantasy Island", comedy = "Bucin", adventure = "Harry Potter")
)
print("umur") #Akses suatu nilai Item dari Dictionary## [1] "umur"cat("Kepercayaan :", yosia$get('agama')) ## Kepercayaan : Kristenyosia["nama"] = "yosia_yosia"
print(yosia) #Ubah suatu Nilai Item pada Dictionary## # A tibble: 7 x 2
## key value
## <chr> <list>
## 1 agama <chr [1]>
## 2 fav.film <tuple>
## 3 hobi <list [4]>
## 4 nama <chr [1]>
## 5 status_perkawinan <lgl [1]>
## 6 tgl_lahir <chr [1]>
## 7 umur <int [1]>yosia$add(fav_food = "rendang")
print(yosia) #Menambahkan Item ke Dictionary## # A tibble: 8 x 2
## key value
## <chr> <list>
## 1 agama <chr [1]>
## 2 fav.film <tuple>
## 3 hobi <list [4]>
## 4 nama <chr [1]>
## 5 status_perkawinan <lgl [1]>
## 6 tgl_lahir <chr [1]>
## 7 umur <int [1]>
## 8 fav_food <chr [1]>yosia$remove('tgl_lahir')
print(yosia) # Mengurangi atau menghapus item di Dictionary## # A tibble: 7 x 2
## key value
## <chr> <list>
## 1 agama <chr [1]>
## 2 fav.film <tuple>
## 3 hobi <list [4]>
## 4 nama <chr [1]>
## 5 status_perkawinan <lgl [1]>
## 6 umur <int [1]>
## 7 fav_food <chr [1]>4 menemukan operasi Pengindeksan, Pengirisan, dan Subsetting Data Frame
4.1 membuat data frame
No <- (1:52)
Nama <- c(LETTERS,letters)
Jenis_Kelamin <- sample(rep(c("Pria","Wanita"), times=26))
# 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)
univ2 <- rep("Swasta", times=16)
univ3 <- rep("LN", times=10)
Universitas <- sample(c(univ1,univ2,univ3))
gpa <- runif(52,min=2.85,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 Pria 2000-01-01 Swasta 3.67 1195
## 2 2 B Pria 2001-01-01 Swasta 3.75 687
## 3 3 C Pria 2002-01-01 Negeri 3.53 948
## 4 4 D Wanita 2003-01-01 Negeri 3.63 848
## 5 5 E Pria 2000-01-01 Swasta 3.47 702
## 6 6 F Pria 2001-01-01 Negeri 3.23 631
## 7 7 G Wanita 2002-01-01 Negeri 3.10 680
## 8 8 H Wanita 2003-01-01 Swasta 3.70 847
## 9 9 I Pria 2000-01-01 Negeri 3.79 881
## 10 10 J Pria 2001-01-01 Negeri 3.01 871
## 11 11 K Wanita 2002-01-01 Negeri 3.44 727
## 12 12 L Wanita 2003-01-01 Negeri 3.36 617
## 13 13 M Pria 2000-01-01 LN 3.85 870
## 14 14 N Wanita 2001-01-01 Negeri 3.68 1088
## 15 15 O Wanita 2002-01-01 LN 3.16 977
## 16 16 P Wanita 2003-01-01 Negeri 3.41 956
## 17 17 Q Wanita 2000-01-01 Swasta 3.92 989
## 18 18 R Pria 2001-01-01 Swasta 3.71 623
## 19 19 S Wanita 2002-01-01 Negeri 3.68 953
## 20 20 T Pria 2003-01-01 Swasta 2.88 1054
## 21 21 U Wanita 2000-01-01 LN 3.43 1152
## 22 22 V Wanita 2001-01-01 Negeri 3.55 1124
## 23 23 W Pria 2002-01-01 Negeri 2.91 1117
## 24 24 X Pria 2003-01-01 Negeri 3.70 1176
## 25 25 Y Pria 2000-01-01 LN 3.66 671
## 26 26 Z Pria 2001-01-01 Negeri 3.77 1147
## 27 27 a Wanita 2002-01-01 Negeri 3.90 1118
## 28 28 b Pria 2003-01-01 Negeri 3.47 725
## 29 29 c Pria 2000-01-01 Swasta 3.22 924
## 30 30 d Wanita 2001-01-01 Negeri 3.35 1179
## 31 31 e Wanita 2002-01-01 Negeri 3.64 1183
## 32 32 f Wanita 2003-01-01 LN 3.33 1114
## 33 33 g Pria 2000-01-01 LN 3.12 923
## 34 34 h Wanita 2001-01-01 Negeri 2.89 1070
## 35 35 i Pria 2002-01-01 Swasta 3.06 605
## 36 36 j Wanita 2003-01-01 Negeri 3.80 811
## 37 37 k Wanita 2000-01-01 Swasta 3.20 627
## 38 38 l Pria 2001-01-01 Negeri 3.72 793
## 39 39 m Wanita 2002-01-01 LN 3.66 898
## 40 40 n Wanita 2003-01-01 Swasta 3.35 959
## 41 41 o Wanita 2000-01-01 Swasta 3.38 902
## 42 42 p Pria 2001-01-01 Negeri 3.38 1130
## 43 43 q Wanita 2002-01-01 Swasta 3.08 918
## 44 44 r Pria 2003-01-01 LN 4.00 814
## 45 45 s Pria 2000-01-01 Negeri 2.99 683
## 46 46 t Pria 2001-01-01 LN 3.34 725
## 47 47 u Wanita 2002-01-01 LN 3.19 1077
## 48 48 v Pria 2003-01-01 Negeri 3.86 907
## 49 49 w Pria 2000-01-01 Swasta 3.86 611
## 50 50 x Wanita 2001-01-01 Swasta 3.67 1182
## 51 51 y Wanita 2002-01-01 Negeri 3.34 813
## 52 52 z Pria 2003-01-01 Swasta 3.17 833Ekstraksi Data Frame
#Mengecek tipe data
typeof(Karyawan_R)## [1] "list"class(Karyawan_R)## [1] "data.frame"#Mengekstrak tipe data
Karyawan_R[1,5] # ekstrak elemen dibaris ke 1 dan kolom ke-5## [1] "Swasta"Karyawan_R[,c('Nama','Gaji')] # ekstrak spesifikasi kolom ('Nama','Gaji')## Nama Gaji
## 1 A 1195
## 2 B 687
## 3 C 948
## 4 D 848
## 5 E 702
## 6 F 631
## 7 G 680
## 8 H 847
## 9 I 881
## 10 J 871
## 11 K 727
## 12 L 617
## 13 M 870
## 14 N 1088
## 15 O 977
## 16 P 956
## 17 Q 989
## 18 R 623
## 19 S 953
## 20 T 1054
## 21 U 1152
## 22 V 1124
## 23 W 1117
## 24 X 1176
## 25 Y 671
## 26 Z 1147
## 27 a 1118
## 28 b 725
## 29 c 924
## 30 d 1179
## 31 e 1183
## 32 f 1114
## 33 g 923
## 34 h 1070
## 35 i 605
## 36 j 811
## 37 k 627
## 38 l 793
## 39 m 898
## 40 n 959
## 41 o 902
## 42 p 1130
## 43 q 918
## 44 r 814
## 45 s 683
## 46 t 725
## 47 u 1077
## 48 v 907
## 49 w 611
## 50 x 1182
## 51 y 813
## 52 z 833Karyawan_R[1:5,] # ekstrak 5 baris pertama## No Nama Jenis_Kelamin Tanggal_Lahir Universitas GPA Gaji
## 1 1 A Pria 2000-01-01 Swasta 3.67 1195
## 2 2 B Pria 2001-01-01 Swasta 3.75 687
## 3 3 C Pria 2002-01-01 Negeri 3.53 948
## 4 4 D Wanita 2003-01-01 Negeri 3.63 848
## 5 5 E Pria 2000-01-01 Swasta 3.47 702Karyawan_R[,1:5] # ekstrak 5 kolom pertama## No Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1 1 A Pria 2000-01-01 Swasta
## 2 2 B Pria 2001-01-01 Swasta
## 3 3 C Pria 2002-01-01 Negeri
## 4 4 D Wanita 2003-01-01 Negeri
## 5 5 E Pria 2000-01-01 Swasta
## 6 6 F Pria 2001-01-01 Negeri
## 7 7 G Wanita 2002-01-01 Negeri
## 8 8 H Wanita 2003-01-01 Swasta
## 9 9 I Pria 2000-01-01 Negeri
## 10 10 J Pria 2001-01-01 Negeri
## 11 11 K Wanita 2002-01-01 Negeri
## 12 12 L Wanita 2003-01-01 Negeri
## 13 13 M Pria 2000-01-01 LN
## 14 14 N Wanita 2001-01-01 Negeri
## 15 15 O Wanita 2002-01-01 LN
## 16 16 P Wanita 2003-01-01 Negeri
## 17 17 Q Wanita 2000-01-01 Swasta
## 18 18 R Pria 2001-01-01 Swasta
## 19 19 S Wanita 2002-01-01 Negeri
## 20 20 T Pria 2003-01-01 Swasta
## 21 21 U Wanita 2000-01-01 LN
## 22 22 V Wanita 2001-01-01 Negeri
## 23 23 W Pria 2002-01-01 Negeri
## 24 24 X Pria 2003-01-01 Negeri
## 25 25 Y Pria 2000-01-01 LN
## 26 26 Z Pria 2001-01-01 Negeri
## 27 27 a Wanita 2002-01-01 Negeri
## 28 28 b Pria 2003-01-01 Negeri
## 29 29 c Pria 2000-01-01 Swasta
## 30 30 d Wanita 2001-01-01 Negeri
## 31 31 e Wanita 2002-01-01 Negeri
## 32 32 f Wanita 2003-01-01 LN
## 33 33 g Pria 2000-01-01 LN
## 34 34 h Wanita 2001-01-01 Negeri
## 35 35 i Pria 2002-01-01 Swasta
## 36 36 j Wanita 2003-01-01 Negeri
## 37 37 k Wanita 2000-01-01 Swasta
## 38 38 l Pria 2001-01-01 Negeri
## 39 39 m Wanita 2002-01-01 LN
## 40 40 n Wanita 2003-01-01 Swasta
## 41 41 o Wanita 2000-01-01 Swasta
## 42 42 p Pria 2001-01-01 Negeri
## 43 43 q Wanita 2002-01-01 Swasta
## 44 44 r Pria 2003-01-01 LN
## 45 45 s Pria 2000-01-01 Negeri
## 46 46 t Pria 2001-01-01 LN
## 47 47 u Wanita 2002-01-01 LN
## 48 48 v Pria 2003-01-01 Negeri
## 49 49 w Pria 2000-01-01 Swasta
## 50 50 x Wanita 2001-01-01 Swasta
## 51 51 y Wanita 2002-01-01 Negeri
## 52 52 z Pria 2003-01-01 Swasta#Subset tipe data
subset(Karyawan_R, select= Gaji)## Gaji
## 1 1195
## 2 687
## 3 948
## 4 848
## 5 702
## 6 631
## 7 680
## 8 847
## 9 881
## 10 871
## 11 727
## 12 617
## 13 870
## 14 1088
## 15 977
## 16 956
## 17 989
## 18 623
## 19 953
## 20 1054
## 21 1152
## 22 1124
## 23 1117
## 24 1176
## 25 671
## 26 1147
## 27 1118
## 28 725
## 29 924
## 30 1179
## 31 1183
## 32 1114
## 33 923
## 34 1070
## 35 605
## 36 811
## 37 627
## 38 793
## 39 898
## 40 959
## 41 902
## 42 1130
## 43 918
## 44 814
## 45 683
## 46 725
## 47 1077
## 48 907
## 49 611
## 50 1182
## 51 813
## 52 833subset(Karyawan_R, select= 5) ## Universitas
## 1 Swasta
## 2 Swasta
## 3 Negeri
## 4 Negeri
## 5 Swasta
## 6 Negeri
## 7 Negeri
## 8 Swasta
## 9 Negeri
## 10 Negeri
## 11 Negeri
## 12 Negeri
## 13 LN
## 14 Negeri
## 15 LN
## 16 Negeri
## 17 Swasta
## 18 Swasta
## 19 Negeri
## 20 Swasta
## 21 LN
## 22 Negeri
## 23 Negeri
## 24 Negeri
## 25 LN
## 26 Negeri
## 27 Negeri
## 28 Negeri
## 29 Swasta
## 30 Negeri
## 31 Negeri
## 32 LN
## 33 LN
## 34 Negeri
## 35 Swasta
## 36 Negeri
## 37 Swasta
## 38 Negeri
## 39 LN
## 40 Swasta
## 41 Swasta
## 42 Negeri
## 43 Swasta
## 44 LN
## 45 Negeri
## 46 LN
## 47 LN
## 48 Negeri
## 49 Swasta
## 50 Swasta
## 51 Negeri
## 52 Swastasubset(Karyawan_R, select= c(3,4)) ## Jenis_Kelamin Tanggal_Lahir
## 1 Pria 2000-01-01
## 2 Pria 2001-01-01
## 3 Pria 2002-01-01
## 4 Wanita 2003-01-01
## 5 Pria 2000-01-01
## 6 Pria 2001-01-01
## 7 Wanita 2002-01-01
## 8 Wanita 2003-01-01
## 9 Pria 2000-01-01
## 10 Pria 2001-01-01
## 11 Wanita 2002-01-01
## 12 Wanita 2003-01-01
## 13 Pria 2000-01-01
## 14 Wanita 2001-01-01
## 15 Wanita 2002-01-01
## 16 Wanita 2003-01-01
## 17 Wanita 2000-01-01
## 18 Pria 2001-01-01
## 19 Wanita 2002-01-01
## 20 Pria 2003-01-01
## 21 Wanita 2000-01-01
## 22 Wanita 2001-01-01
## 23 Pria 2002-01-01
## 24 Pria 2003-01-01
## 25 Pria 2000-01-01
## 26 Pria 2001-01-01
## 27 Wanita 2002-01-01
## 28 Pria 2003-01-01
## 29 Pria 2000-01-01
## 30 Wanita 2001-01-01
## 31 Wanita 2002-01-01
## 32 Wanita 2003-01-01
## 33 Pria 2000-01-01
## 34 Wanita 2001-01-01
## 35 Pria 2002-01-01
## 36 Wanita 2003-01-01
## 37 Wanita 2000-01-01
## 38 Pria 2001-01-01
## 39 Wanita 2002-01-01
## 40 Wanita 2003-01-01
## 41 Wanita 2000-01-01
## 42 Pria 2001-01-01
## 43 Wanita 2002-01-01
## 44 Pria 2003-01-01
## 45 Pria 2000-01-01
## 46 Pria 2001-01-01
## 47 Wanita 2002-01-01
## 48 Pria 2003-01-01
## 49 Pria 2000-01-01
## 50 Wanita 2001-01-01
## 51 Wanita 2002-01-01
## 52 Pria 2003-01-01#Menambahkan Variabel
Karyawan_R$Pajak <- Karyawan_R$Gaji*0.02
Karyawan_R$Gaji_Bersih <- Karyawan_R$Gaji-Karyawan_R$Pajak
Karyawan_R$Gaji_Group1 <- Karyawan_R$Gaji> 950
Karyawan_R$Gaji_Group2 <- ifelse(Karyawan_R$Gaji > 950,
"Gaji Besar",
"Gaji Kecil")
Karyawan_R$Gaji_Group3 = factor(Karyawan_R$GPA >3.00 &
Karyawan_R$Gaji>950,
label = c("level 1",
"level 2"))
min(Karyawan_R$Gaji) # Nilai minimum## [1] 605max(Karyawan_R$Gaji) # Nilai Maximum## [1] 1195mean(Karyawan_R$Gaji) # Nilai Rata-rata## [1] 904.9038var(Karyawan_R$Gaji) # Nilai variasi## [1] 34473.19sd(Karyawan_R$Gaji) # Nilai standar Deverensiasi## [1] 185.6696summary(Karyawan_R$Gaji)# Statistik Dasar Data## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 605.0 726.5 904.5 904.9 1079.8 1195.0print(Karyawan_R)## No Nama Jenis_Kelamin Tanggal_Lahir Universitas GPA Gaji Pajak Gaji_Bersih
## 1 1 A Pria 2000-01-01 Swasta 3.67 1195 23.90 1171.10
## 2 2 B Pria 2001-01-01 Swasta 3.75 687 13.74 673.26
## 3 3 C Pria 2002-01-01 Negeri 3.53 948 18.96 929.04
## 4 4 D Wanita 2003-01-01 Negeri 3.63 848 16.96 831.04
## 5 5 E Pria 2000-01-01 Swasta 3.47 702 14.04 687.96
## 6 6 F Pria 2001-01-01 Negeri 3.23 631 12.62 618.38
## 7 7 G Wanita 2002-01-01 Negeri 3.10 680 13.60 666.40
## 8 8 H Wanita 2003-01-01 Swasta 3.70 847 16.94 830.06
## 9 9 I Pria 2000-01-01 Negeri 3.79 881 17.62 863.38
## 10 10 J Pria 2001-01-01 Negeri 3.01 871 17.42 853.58
## 11 11 K Wanita 2002-01-01 Negeri 3.44 727 14.54 712.46
## 12 12 L Wanita 2003-01-01 Negeri 3.36 617 12.34 604.66
## 13 13 M Pria 2000-01-01 LN 3.85 870 17.40 852.60
## 14 14 N Wanita 2001-01-01 Negeri 3.68 1088 21.76 1066.24
## 15 15 O Wanita 2002-01-01 LN 3.16 977 19.54 957.46
## 16 16 P Wanita 2003-01-01 Negeri 3.41 956 19.12 936.88
## 17 17 Q Wanita 2000-01-01 Swasta 3.92 989 19.78 969.22
## 18 18 R Pria 2001-01-01 Swasta 3.71 623 12.46 610.54
## 19 19 S Wanita 2002-01-01 Negeri 3.68 953 19.06 933.94
## 20 20 T Pria 2003-01-01 Swasta 2.88 1054 21.08 1032.92
## 21 21 U Wanita 2000-01-01 LN 3.43 1152 23.04 1128.96
## 22 22 V Wanita 2001-01-01 Negeri 3.55 1124 22.48 1101.52
## 23 23 W Pria 2002-01-01 Negeri 2.91 1117 22.34 1094.66
## 24 24 X Pria 2003-01-01 Negeri 3.70 1176 23.52 1152.48
## 25 25 Y Pria 2000-01-01 LN 3.66 671 13.42 657.58
## 26 26 Z Pria 2001-01-01 Negeri 3.77 1147 22.94 1124.06
## 27 27 a Wanita 2002-01-01 Negeri 3.90 1118 22.36 1095.64
## 28 28 b Pria 2003-01-01 Negeri 3.47 725 14.50 710.50
## 29 29 c Pria 2000-01-01 Swasta 3.22 924 18.48 905.52
## 30 30 d Wanita 2001-01-01 Negeri 3.35 1179 23.58 1155.42
## 31 31 e Wanita 2002-01-01 Negeri 3.64 1183 23.66 1159.34
## 32 32 f Wanita 2003-01-01 LN 3.33 1114 22.28 1091.72
## 33 33 g Pria 2000-01-01 LN 3.12 923 18.46 904.54
## 34 34 h Wanita 2001-01-01 Negeri 2.89 1070 21.40 1048.60
## 35 35 i Pria 2002-01-01 Swasta 3.06 605 12.10 592.90
## 36 36 j Wanita 2003-01-01 Negeri 3.80 811 16.22 794.78
## 37 37 k Wanita 2000-01-01 Swasta 3.20 627 12.54 614.46
## 38 38 l Pria 2001-01-01 Negeri 3.72 793 15.86 777.14
## 39 39 m Wanita 2002-01-01 LN 3.66 898 17.96 880.04
## 40 40 n Wanita 2003-01-01 Swasta 3.35 959 19.18 939.82
## 41 41 o Wanita 2000-01-01 Swasta 3.38 902 18.04 883.96
## 42 42 p Pria 2001-01-01 Negeri 3.38 1130 22.60 1107.40
## 43 43 q Wanita 2002-01-01 Swasta 3.08 918 18.36 899.64
## 44 44 r Pria 2003-01-01 LN 4.00 814 16.28 797.72
## 45 45 s Pria 2000-01-01 Negeri 2.99 683 13.66 669.34
## 46 46 t Pria 2001-01-01 LN 3.34 725 14.50 710.50
## 47 47 u Wanita 2002-01-01 LN 3.19 1077 21.54 1055.46
## 48 48 v Pria 2003-01-01 Negeri 3.86 907 18.14 888.86
## 49 49 w Pria 2000-01-01 Swasta 3.86 611 12.22 598.78
## 50 50 x Wanita 2001-01-01 Swasta 3.67 1182 23.64 1158.36
## 51 51 y Wanita 2002-01-01 Negeri 3.34 813 16.26 796.74
## 52 52 z Pria 2003-01-01 Swasta 3.17 833 16.66 816.34
## Gaji_Group1 Gaji_Group2 Gaji_Group3
## 1 TRUE Gaji Besar level 2
## 2 FALSE Gaji Kecil level 1
## 3 FALSE Gaji Kecil level 1
## 4 FALSE Gaji Kecil level 1
## 5 FALSE Gaji Kecil level 1
## 6 FALSE Gaji Kecil level 1
## 7 FALSE Gaji Kecil level 1
## 8 FALSE Gaji Kecil level 1
## 9 FALSE Gaji Kecil level 1
## 10 FALSE Gaji Kecil level 1
## 11 FALSE Gaji Kecil level 1
## 12 FALSE Gaji Kecil level 1
## 13 FALSE Gaji Kecil level 1
## 14 TRUE Gaji Besar level 2
## 15 TRUE Gaji Besar level 2
## 16 TRUE Gaji Besar level 2
## 17 TRUE Gaji Besar level 2
## 18 FALSE Gaji Kecil level 1
## 19 TRUE Gaji Besar level 2
## 20 TRUE Gaji Besar level 1
## 21 TRUE Gaji Besar level 2
## 22 TRUE Gaji Besar level 2
## 23 TRUE Gaji Besar level 1
## 24 TRUE Gaji Besar level 2
## 25 FALSE Gaji Kecil level 1
## 26 TRUE Gaji Besar level 2
## 27 TRUE Gaji Besar level 2
## 28 FALSE Gaji Kecil level 1
## 29 FALSE Gaji Kecil level 1
## 30 TRUE Gaji Besar level 2
## 31 TRUE Gaji Besar level 2
## 32 TRUE Gaji Besar level 2
## 33 FALSE Gaji Kecil level 1
## 34 TRUE Gaji Besar level 1
## 35 FALSE Gaji Kecil level 1
## 36 FALSE Gaji Kecil level 1
## 37 FALSE Gaji Kecil level 1
## 38 FALSE Gaji Kecil level 1
## 39 FALSE Gaji Kecil level 1
## 40 TRUE Gaji Besar level 2
## 41 FALSE Gaji Kecil level 1
## 42 TRUE Gaji Besar level 2
## 43 FALSE Gaji Kecil level 1
## 44 FALSE Gaji Kecil level 1
## 45 FALSE Gaji Kecil level 1
## 46 FALSE Gaji Kecil level 1
## 47 TRUE Gaji Besar level 2
## 48 FALSE Gaji Kecil level 1
## 49 FALSE Gaji Kecil level 1
## 50 TRUE Gaji Besar level 2
## 51 FALSE Gaji Kecil level 1
## 52 FALSE Gaji Kecil level 15 operasi Ganti Nama Variabel pada suatu Data Frame
rename_1 <- Karyawan_R
names(rename_1)= c("nomor",
"nama_inisial",
"Gender",
"tanggal_lahir",
"univ",
"ipk",
"gaji",
"pajak",
"gaji bersih",
"gaji>950",
"gaji",
"Level gaji")
rename_1## nomor nama_inisial Gender tanggal_lahir univ ipk gaji pajak gaji bersih
## 1 1 A Pria 2000-01-01 Swasta 3.67 1195 23.90 1171.10
## 2 2 B Pria 2001-01-01 Swasta 3.75 687 13.74 673.26
## 3 3 C Pria 2002-01-01 Negeri 3.53 948 18.96 929.04
## 4 4 D Wanita 2003-01-01 Negeri 3.63 848 16.96 831.04
## 5 5 E Pria 2000-01-01 Swasta 3.47 702 14.04 687.96
## 6 6 F Pria 2001-01-01 Negeri 3.23 631 12.62 618.38
## 7 7 G Wanita 2002-01-01 Negeri 3.10 680 13.60 666.40
## 8 8 H Wanita 2003-01-01 Swasta 3.70 847 16.94 830.06
## 9 9 I Pria 2000-01-01 Negeri 3.79 881 17.62 863.38
## 10 10 J Pria 2001-01-01 Negeri 3.01 871 17.42 853.58
## 11 11 K Wanita 2002-01-01 Negeri 3.44 727 14.54 712.46
## 12 12 L Wanita 2003-01-01 Negeri 3.36 617 12.34 604.66
## 13 13 M Pria 2000-01-01 LN 3.85 870 17.40 852.60
## 14 14 N Wanita 2001-01-01 Negeri 3.68 1088 21.76 1066.24
## 15 15 O Wanita 2002-01-01 LN 3.16 977 19.54 957.46
## 16 16 P Wanita 2003-01-01 Negeri 3.41 956 19.12 936.88
## 17 17 Q Wanita 2000-01-01 Swasta 3.92 989 19.78 969.22
## 18 18 R Pria 2001-01-01 Swasta 3.71 623 12.46 610.54
## 19 19 S Wanita 2002-01-01 Negeri 3.68 953 19.06 933.94
## 20 20 T Pria 2003-01-01 Swasta 2.88 1054 21.08 1032.92
## 21 21 U Wanita 2000-01-01 LN 3.43 1152 23.04 1128.96
## 22 22 V Wanita 2001-01-01 Negeri 3.55 1124 22.48 1101.52
## 23 23 W Pria 2002-01-01 Negeri 2.91 1117 22.34 1094.66
## 24 24 X Pria 2003-01-01 Negeri 3.70 1176 23.52 1152.48
## 25 25 Y Pria 2000-01-01 LN 3.66 671 13.42 657.58
## 26 26 Z Pria 2001-01-01 Negeri 3.77 1147 22.94 1124.06
## 27 27 a Wanita 2002-01-01 Negeri 3.90 1118 22.36 1095.64
## 28 28 b Pria 2003-01-01 Negeri 3.47 725 14.50 710.50
## 29 29 c Pria 2000-01-01 Swasta 3.22 924 18.48 905.52
## 30 30 d Wanita 2001-01-01 Negeri 3.35 1179 23.58 1155.42
## 31 31 e Wanita 2002-01-01 Negeri 3.64 1183 23.66 1159.34
## 32 32 f Wanita 2003-01-01 LN 3.33 1114 22.28 1091.72
## 33 33 g Pria 2000-01-01 LN 3.12 923 18.46 904.54
## 34 34 h Wanita 2001-01-01 Negeri 2.89 1070 21.40 1048.60
## 35 35 i Pria 2002-01-01 Swasta 3.06 605 12.10 592.90
## 36 36 j Wanita 2003-01-01 Negeri 3.80 811 16.22 794.78
## 37 37 k Wanita 2000-01-01 Swasta 3.20 627 12.54 614.46
## 38 38 l Pria 2001-01-01 Negeri 3.72 793 15.86 777.14
## 39 39 m Wanita 2002-01-01 LN 3.66 898 17.96 880.04
## 40 40 n Wanita 2003-01-01 Swasta 3.35 959 19.18 939.82
## 41 41 o Wanita 2000-01-01 Swasta 3.38 902 18.04 883.96
## 42 42 p Pria 2001-01-01 Negeri 3.38 1130 22.60 1107.40
## 43 43 q Wanita 2002-01-01 Swasta 3.08 918 18.36 899.64
## 44 44 r Pria 2003-01-01 LN 4.00 814 16.28 797.72
## 45 45 s Pria 2000-01-01 Negeri 2.99 683 13.66 669.34
## 46 46 t Pria 2001-01-01 LN 3.34 725 14.50 710.50
## 47 47 u Wanita 2002-01-01 LN 3.19 1077 21.54 1055.46
## 48 48 v Pria 2003-01-01 Negeri 3.86 907 18.14 888.86
## 49 49 w Pria 2000-01-01 Swasta 3.86 611 12.22 598.78
## 50 50 x Wanita 2001-01-01 Swasta 3.67 1182 23.64 1158.36
## 51 51 y Wanita 2002-01-01 Negeri 3.34 813 16.26 796.74
## 52 52 z Pria 2003-01-01 Swasta 3.17 833 16.66 816.34
## gaji>950 gaji Level gaji
## 1 TRUE Gaji Besar level 2
## 2 FALSE Gaji Kecil level 1
## 3 FALSE Gaji Kecil level 1
## 4 FALSE Gaji Kecil level 1
## 5 FALSE Gaji Kecil level 1
## 6 FALSE Gaji Kecil level 1
## 7 FALSE Gaji Kecil level 1
## 8 FALSE Gaji Kecil level 1
## 9 FALSE Gaji Kecil level 1
## 10 FALSE Gaji Kecil level 1
## 11 FALSE Gaji Kecil level 1
## 12 FALSE Gaji Kecil level 1
## 13 FALSE Gaji Kecil level 1
## 14 TRUE Gaji Besar level 2
## 15 TRUE Gaji Besar level 2
## 16 TRUE Gaji Besar level 2
## 17 TRUE Gaji Besar level 2
## 18 FALSE Gaji Kecil level 1
## 19 TRUE Gaji Besar level 2
## 20 TRUE Gaji Besar level 1
## 21 TRUE Gaji Besar level 2
## 22 TRUE Gaji Besar level 2
## 23 TRUE Gaji Besar level 1
## 24 TRUE Gaji Besar level 2
## 25 FALSE Gaji Kecil level 1
## 26 TRUE Gaji Besar level 2
## 27 TRUE Gaji Besar level 2
## 28 FALSE Gaji Kecil level 1
## 29 FALSE Gaji Kecil level 1
## 30 TRUE Gaji Besar level 2
## 31 TRUE Gaji Besar level 2
## 32 TRUE Gaji Besar level 2
## 33 FALSE Gaji Kecil level 1
## 34 TRUE Gaji Besar level 1
## 35 FALSE Gaji Kecil level 1
## 36 FALSE Gaji Kecil level 1
## 37 FALSE Gaji Kecil level 1
## 38 FALSE Gaji Kecil level 1
## 39 FALSE Gaji Kecil level 1
## 40 TRUE Gaji Besar level 2
## 41 FALSE Gaji Kecil level 1
## 42 TRUE Gaji Besar level 2
## 43 FALSE Gaji Kecil level 1
## 44 FALSE Gaji Kecil level 1
## 45 FALSE Gaji Kecil level 1
## 46 FALSE Gaji Kecil level 1
## 47 TRUE Gaji Besar level 2
## 48 FALSE Gaji Kecil level 1
## 49 FALSE Gaji Kecil level 1
## 50 TRUE Gaji Besar level 2
## 51 FALSE Gaji Kecil level 1
## 52 FALSE Gaji Kecil level 1