Email             :
RPubs            : https://www.rpubs.com/muhammad_naufal/
Jurusan          : Statistika Bisnis
Address         : Jalan Gunung Galunggung 5 Blok E9, No.21

1 Membuat program dengan list R

Berikut merupakan pemrograman untuk membuat list, memilih data dari list dengan indek, dan mengganti komponen dari list

list1= list("zahra","fauzan","dimas","bryan","dika") #list 5 teman dekat
print(list1) #Mencetak list 5 orang dekat
## [[1]]
## [1] "zahra"
## 
## [[2]]
## [1] "fauzan"
## 
## [[3]]
## [1] "dimas"
## 
## [[4]]
## [1] "bryan"
## 
## [[5]]
## [1] "dika"
print(list1[3]) #Mencetak nama teman terdekat dengan index
## [[1]]
## [1] "dimas"
list1[1]="fauzan" #Mengganti nama zahra dengan fauzan
print(list1) #Mencetak list 1 setelah diganti nama
## [[1]]
## [1] "fauzan"
## 
## [[2]]
## [1] "fauzan"
## 
## [[3]]
## [1] "dimas"
## 
## [[4]]
## [1] "bryan"
## 
## [[5]]
## [1] "dika"
length(list1) #Mencetak jumlah anggota dalam list 1
## [1] 5

2 Membuat tuple dengan R

Berikut Pemrograman R membuat tuple sejumlah 5 item, kemudian bagaimana mengakses nilai tuple, memotong nilai tuple, Nested Tuple, dan unpacking sequence dengan pemrograman r

library(sets)
tuple0 =tuple("Pagi")
tuple1 = tuple("apa","yang","kamu","lakukan","kemarin") #Membuat 5 item tuple
print(tuple1) #Mencetak nilai tuple1
## ("apa", "yang", "kamu", "lakukan", "kemarin")
print(tuple1[2]) #Mengakses nilai item 2 tuple1
## ("yang")
print(tuple1[2:4]) #Memotong nilai tuple1 item ke-2 hingga item ke-4
## ("yang", "kamu", "lakukan")
tuple2 =c(tuple0,tuple1) #Nested Tuple
print(tuple2)
## ("Pagi", "apa", "yang", "kamu", "lakukan", "kemarin")
tuple3 =rep(tuple1,2) #Unpacking Sequence
print(tuple3)
## ("apa", "yang", "kamu", "lakukan", "kemarin", "apa", "yang", "kamu",
##  "lakukan", "kemarin")

3 Membuat Dictionary

Pemrograman dibawah merupakan cara membuat library di R

library(Dict)
## 
## Attaching package: 'Dict'
## The following object is masked from 'package:sets':
## 
##     %>%
#Membuat Dictionary
library1 = dict(
nama="Muhammad Naufal Ardiansyah",
umur=as.integer(19),
hobi=list("sepak bolas","badminton"),
menikah=FALSE,
sosmed=dict(instagram="m_naufalardiansyah",
            facebook="Muhammad Naufal Ardiansyah"
            )
)
print(library1)
## # A tibble: 5 x 2
##   key     value     
##   <chr>   <list>    
## 1 nama    <chr [1]> 
## 2 umur    <int [1]> 
## 3 hobi    <list [2]>
## 4 menikah <lgl [1]> 
## 5 sosmed  <Dict>
#Mengakses isi Dictionary
cat("Nama saya adalah : ",library1$get('nama'))
## Nama saya adalah :  Muhammad Naufal Ardiansyah
print(library1$get('sosmed')['instagram'])
## [1] "m_naufalardiansyah"
#Mengubah nilai item dictionary
library1["nama"] = "Muhammad Naufal Ardiansyah"
#Menghapus item dictionary
print(library1$remove("umur"))
## # A tibble: 4 x 2
##   key     value     
##   <chr>   <list>    
## 1 hobi    <list [2]>
## 2 menikah <lgl [1]> 
## 3 nama    <chr [1]> 
## 4 sosmed  <Dict>

4 Membangun Data Frame

df1_R<-data.frame(kode=c(1:5),
                  nama=c("zahra","aulia","putri","dimas","bryan"),
                  gaji=c(623.3,515.2,611.0,729.0,843.25),
                  mulai_kerja=as.Date(c("2022-01-01","2022-09-23","2022-11-15","2022-05-11","2022-03-27")),
                  divisi=c("DS","DS","BA","DA","DS"),stringAsFactors=F)
df2_R<-data.frame(kode=c(6:10),
                  nama=c("fauzan","septian","dwi","cahyo","abad"),
                  gaji=c(578.0,722.5,632.8,632.8,NA),
                  mulai_kerja=as.Date(c("2022-05-21","2022-07-30","2022-06-17","2022-07-30","2018-09-03")),
                  divisi=c("Actuaries","Actuaries","CA","DE","Lecturer"),stringAsFactors=F)
df3_R<-rbind(df1_R,df2_R) #Menggabungkan data frame
print(df3_R) #Mencetak dataframe gabungan
##    kode    nama   gaji mulai_kerja    divisi stringAsFactors
## 1     1   zahra 623.30  2022-01-01        DS           FALSE
## 2     2   aulia 515.20  2022-09-23        DS           FALSE
## 3     3   putri 611.00  2022-11-15        BA           FALSE
## 4     4   dimas 729.00  2022-05-11        DA           FALSE
## 5     5   bryan 843.25  2022-03-27        DS           FALSE
## 6     6  fauzan 578.00  2022-05-21 Actuaries           FALSE
## 7     7 septian 722.50  2022-07-30 Actuaries           FALSE
## 8     8     dwi 632.80  2022-06-17        CA           FALSE
## 9     9   cahyo 632.80  2022-07-30        DE           FALSE
## 10   10    abad     NA  2018-09-03  Lecturer           FALSE
head(df3_R,6) #Mencetak 6 baris pertama data frame
##   kode   nama   gaji mulai_kerja    divisi stringAsFactors
## 1    1  zahra 623.30  2022-01-01        DS           FALSE
## 2    2  aulia 515.20  2022-09-23        DS           FALSE
## 3    3  putri 611.00  2022-11-15        BA           FALSE
## 4    4  dimas 729.00  2022-05-11        DA           FALSE
## 5    5  bryan 843.25  2022-03-27        DS           FALSE
## 6    6 fauzan 578.00  2022-05-21 Actuaries           FALSE
tail(df3_R,6) #Mencetak6 baris terakhir data frame
##    kode    nama   gaji mulai_kerja    divisi stringAsFactors
## 5     5   bryan 843.25  2022-03-27        DS           FALSE
## 6     6  fauzan 578.00  2022-05-21 Actuaries           FALSE
## 7     7 septian 722.50  2022-07-30 Actuaries           FALSE
## 8     8     dwi 632.80  2022-06-17        CA           FALSE
## 9     9   cahyo 632.80  2022-07-30        DE           FALSE
## 10   10    abad     NA  2018-09-03  Lecturer           FALSE
class(df3_R) #Mencetak tipe data.fame
## [1] "data.frame"
str(df3_R) #Mencetak tipe struktur data
## 'data.frame':    10 obs. of  6 variables:
##  $ kode           : int  1 2 3 4 5 6 7 8 9 10
##  $ nama           : chr  "zahra" "aulia" "putri" "dimas" ...
##  $ gaji           : num  623 515 611 729 843 ...
##  $ mulai_kerja    : Date, format: "2022-01-01" "2022-09-23" ...
##  $ divisi         : chr  "DS" "DS" "BA" "DA" ...
##  $ stringAsFactors: logi  FALSE FALSE FALSE FALSE FALSE FALSE ...
dim(df3_R) #Mencetak dimensi data frame
## [1] 10  6
summary(df3_R) #ringkasan data frame
##       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.:2022-04-07  
##  Median : 5.50   Mode  :character   Median :632.8   Median :2022-06-03  
##  Mean   : 5.50                      Mean   :654.2   Mean   :2022-01-31  
##  3rd Qu.: 7.75                      3rd Qu.:722.5   3rd Qu.:2022-07-30  
##  Max.   :10.00                      Max.   :843.2   Max.   :2022-11-15  
##                                     NA's   :1                           
##     divisi          stringAsFactors
##  Length:10          Mode :logical  
##  Class :character   FALSE:10       
##  Mode  :character                  
##                                    
##                                    
##                                    
##

5 Rekayasa Data Frame

No<-(1:52) #Menghasilkan Nomor 1 hingga 52
Nama<-c(LETTERS,letters) #Menghasilkan huruf kapital dan non-kapital
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) #Mencetak asal universitas negeri sebanyak 26
univ2<-rep("Swasta",times=16) #Mencetak asal universitas swasta sebanyak 16
univ3<-rep("LN",times=10) #Mencetak asal universtias luar negeri sebanyak 10
Universitas<-sample(c(univ1,univ2,univ3)) #Menggabungkan list diatas
gpa<-runif(52,min = 3.00,max = 4.00) #Menghasilkan 52 angka acak
GPA<-round(gpa,digits = 2) #Mengatur digit angka
Gaji<-sample(600:1200,52,replace=T) #Menghasilkan sampel antara 600-1200
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          LN 3.57 1155
## 2   2    B        Wanita    2001-01-01          LN 3.92  680
## 3   3    C          Pria    2002-01-01      Negeri 3.70  992
## 4   4    D          Pria    2003-01-01      Negeri 3.72 1094
## 5   5    E          Pria    2000-01-01      Negeri 3.60  917
## 6   6    F          Pria    2001-01-01      Negeri 3.85 1189
## 7   7    G        Wanita    2002-01-01      Negeri 3.24  935
## 8   8    H          Pria    2003-01-01      Swasta 3.39  972
## 9   9    I          Pria    2000-01-01      Negeri 3.02  609
## 10 10    J        Wanita    2001-01-01      Swasta 3.76  895
## 11 11    K        Wanita    2002-01-01      Swasta 3.66  802
## 12 12    L          Pria    2003-01-01      Swasta 3.01  617
## 13 13    M          Pria    2000-01-01      Negeri 3.95  624
## 14 14    N          Pria    2001-01-01      Negeri 3.66  679
## 15 15    O          Pria    2002-01-01      Negeri 3.11  639
## 16 16    P          Pria    2003-01-01      Swasta 3.18  921
## 17 17    Q          Pria    2000-01-01      Negeri 3.77  736
## 18 18    R          Pria    2001-01-01      Negeri 4.00 1058
## 19 19    S        Wanita    2002-01-01      Negeri 3.55  965
## 20 20    T          Pria    2003-01-01      Swasta 3.40 1117
## 21 21    U        Wanita    2000-01-01      Negeri 3.10 1193
## 22 22    V          Pria    2001-01-01      Swasta 3.41  866
## 23 23    W          Pria    2002-01-01      Negeri 3.63 1097
## 24 24    X        Wanita    2003-01-01      Swasta 3.12 1194
## 25 25    Y          Pria    2000-01-01      Negeri 3.94 1121
## 26 26    Z          Pria    2001-01-01      Negeri 3.29  632
## 27 27    a        Wanita    2002-01-01      Swasta 3.92  902
## 28 28    b        Wanita    2003-01-01      Swasta 3.40 1064
## 29 29    c        Wanita    2000-01-01      Swasta 3.31  703
## 30 30    d        Wanita    2001-01-01          LN 3.95  983
## 31 31    e        Wanita    2002-01-01      Swasta 3.42 1115
## 32 32    f        Wanita    2003-01-01          LN 3.43  831
## 33 33    g        Wanita    2000-01-01          LN 3.91 1115
## 34 34    h        Wanita    2001-01-01      Negeri 3.47  912
## 35 35    i        Wanita    2002-01-01      Negeri 3.30 1130
## 36 36    j          Pria    2003-01-01      Negeri 3.11  972
## 37 37    k          Pria    2000-01-01      Negeri 3.34  608
## 38 38    l        Wanita    2001-01-01      Negeri 3.37  809
## 39 39    m          Pria    2002-01-01          LN 3.97  756
## 40 40    n          Pria    2003-01-01      Negeri 3.38  707
## 41 41    o        Wanita    2000-01-01      Negeri 3.45 1019
## 42 42    p        Wanita    2001-01-01          LN 3.59 1106
## 43 43    q        Wanita    2002-01-01      Swasta 3.86 1093
## 44 44    r          Pria    2003-01-01      Swasta 3.46  981
## 45 45    s        Wanita    2000-01-01          LN 3.42  631
## 46 46    t        Wanita    2001-01-01          LN 3.07  730
## 47 47    u          Pria    2002-01-01      Swasta 3.78 1059
## 48 48    v        Wanita    2003-01-01      Swasta 3.92  980
## 49 49    w        Wanita    2000-01-01          LN 3.11  646
## 50 50    x          Pria    2001-01-01      Negeri 3.64  903
## 51 51    y        Wanita    2002-01-01      Negeri 3.79  684
## 52 52    z        Wanita    2003-01-01      Negeri 3.31 1077

6 Ekstrasi Data Frame

typeof(Karyawan_R) #Mencetak tipe data
## [1] "list"
class(Karyawan_R) #Mencetak tipe data
## [1] "data.frame"
Karyawan_R[1,5] #Mengekstrak data baris 1 dan kolom 5
## [1] "LN"
Karyawan_R$Nama #Mengekstrak 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 dan jenis kelamin
##    Nama Jenis_Kelamin
## 1     A          Pria
## 2     B        Wanita
## 3     C          Pria
## 4     D          Pria
## 5     E          Pria
## 6     F          Pria
## 7     G        Wanita
## 8     H          Pria
## 9     I          Pria
## 10    J        Wanita
## 11    K        Wanita
## 12    L          Pria
## 13    M          Pria
## 14    N          Pria
## 15    O          Pria
## 16    P          Pria
## 17    Q          Pria
## 18    R          Pria
## 19    S        Wanita
## 20    T          Pria
## 21    U        Wanita
## 22    V          Pria
## 23    W          Pria
## 24    X        Wanita
## 25    Y          Pria
## 26    Z          Pria
## 27    a        Wanita
## 28    b        Wanita
## 29    c        Wanita
## 30    d        Wanita
## 31    e        Wanita
## 32    f        Wanita
## 33    g        Wanita
## 34    h        Wanita
## 35    i        Wanita
## 36    j          Pria
## 37    k          Pria
## 38    l        Wanita
## 39    m          Pria
## 40    n          Pria
## 41    o        Wanita
## 42    p        Wanita
## 43    q        Wanita
## 44    r          Pria
## 45    s        Wanita
## 46    t        Wanita
## 47    u          Pria
## 48    v        Wanita
## 49    w        Wanita
## 50    x          Pria
## 51    y        Wanita
## 52    z        Wanita
Karyawan_R[1:5,] #Mencetak lima baris pertama
##   No Nama Jenis_Kelamin Tanggal_Lahir Universitas  GPA Gaji
## 1  1    A          Pria    2000-01-01          LN 3.57 1155
## 2  2    B        Wanita    2001-01-01          LN 3.92  680
## 3  3    C          Pria    2002-01-01      Negeri 3.70  992
## 4  4    D          Pria    2003-01-01      Negeri 3.72 1094
## 5  5    E          Pria    2000-01-01      Negeri 3.60  917
Karyawan_R[,1:5] #Mencetak lima kolom pertama
##    No Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1   1    A          Pria    2000-01-01          LN
## 2   2    B        Wanita    2001-01-01          LN
## 3   3    C          Pria    2002-01-01      Negeri
## 4   4    D          Pria    2003-01-01      Negeri
## 5   5    E          Pria    2000-01-01      Negeri
## 6   6    F          Pria    2001-01-01      Negeri
## 7   7    G        Wanita    2002-01-01      Negeri
## 8   8    H          Pria    2003-01-01      Swasta
## 9   9    I          Pria    2000-01-01      Negeri
## 10 10    J        Wanita    2001-01-01      Swasta
## 11 11    K        Wanita    2002-01-01      Swasta
## 12 12    L          Pria    2003-01-01      Swasta
## 13 13    M          Pria    2000-01-01      Negeri
## 14 14    N          Pria    2001-01-01      Negeri
## 15 15    O          Pria    2002-01-01      Negeri
## 16 16    P          Pria    2003-01-01      Swasta
## 17 17    Q          Pria    2000-01-01      Negeri
## 18 18    R          Pria    2001-01-01      Negeri
## 19 19    S        Wanita    2002-01-01      Negeri
## 20 20    T          Pria    2003-01-01      Swasta
## 21 21    U        Wanita    2000-01-01      Negeri
## 22 22    V          Pria    2001-01-01      Swasta
## 23 23    W          Pria    2002-01-01      Negeri
## 24 24    X        Wanita    2003-01-01      Swasta
## 25 25    Y          Pria    2000-01-01      Negeri
## 26 26    Z          Pria    2001-01-01      Negeri
## 27 27    a        Wanita    2002-01-01      Swasta
## 28 28    b        Wanita    2003-01-01      Swasta
## 29 29    c        Wanita    2000-01-01      Swasta
## 30 30    d        Wanita    2001-01-01          LN
## 31 31    e        Wanita    2002-01-01      Swasta
## 32 32    f        Wanita    2003-01-01          LN
## 33 33    g        Wanita    2000-01-01          LN
## 34 34    h        Wanita    2001-01-01      Negeri
## 35 35    i        Wanita    2002-01-01      Negeri
## 36 36    j          Pria    2003-01-01      Negeri
## 37 37    k          Pria    2000-01-01      Negeri
## 38 38    l        Wanita    2001-01-01      Negeri
## 39 39    m          Pria    2002-01-01          LN
## 40 40    n          Pria    2003-01-01      Negeri
## 41 41    o        Wanita    2000-01-01      Negeri
## 42 42    p        Wanita    2001-01-01          LN
## 43 43    q        Wanita    2002-01-01      Swasta
## 44 44    r          Pria    2003-01-01      Swasta
## 45 45    s        Wanita    2000-01-01          LN
## 46 46    t        Wanita    2001-01-01          LN
## 47 47    u          Pria    2002-01-01      Swasta
## 48 48    v        Wanita    2003-01-01      Swasta
## 49 49    w        Wanita    2000-01-01          LN
## 50 50    x          Pria    2001-01-01      Negeri
## 51 51    y        Wanita    2002-01-01      Negeri
## 52 52    z        Wanita    2003-01-01      Negeri
subset(Karyawan_R,select = GPA) #Subset Kolom GPA
##     GPA
## 1  3.57
## 2  3.92
## 3  3.70
## 4  3.72
## 5  3.60
## 6  3.85
## 7  3.24
## 8  3.39
## 9  3.02
## 10 3.76
## 11 3.66
## 12 3.01
## 13 3.95
## 14 3.66
## 15 3.11
## 16 3.18
## 17 3.77
## 18 4.00
## 19 3.55
## 20 3.40
## 21 3.10
## 22 3.41
## 23 3.63
## 24 3.12
## 25 3.94
## 26 3.29
## 27 3.92
## 28 3.40
## 29 3.31
## 30 3.95
## 31 3.42
## 32 3.43
## 33 3.91
## 34 3.47
## 35 3.30
## 36 3.11
## 37 3.34
## 38 3.37
## 39 3.97
## 40 3.38
## 41 3.45
## 42 3.59
## 43 3.86
## 44 3.46
## 45 3.42
## 46 3.07
## 47 3.78
## 48 3.92
## 49 3.11
## 50 3.64
## 51 3.79
## 52 3.31
subset(Karyawan_R,select = 6) #Subset Kolom ke 6
##     GPA
## 1  3.57
## 2  3.92
## 3  3.70
## 4  3.72
## 5  3.60
## 6  3.85
## 7  3.24
## 8  3.39
## 9  3.02
## 10 3.76
## 11 3.66
## 12 3.01
## 13 3.95
## 14 3.66
## 15 3.11
## 16 3.18
## 17 3.77
## 18 4.00
## 19 3.55
## 20 3.40
## 21 3.10
## 22 3.41
## 23 3.63
## 24 3.12
## 25 3.94
## 26 3.29
## 27 3.92
## 28 3.40
## 29 3.31
## 30 3.95
## 31 3.42
## 32 3.43
## 33 3.91
## 34 3.47
## 35 3.30
## 36 3.11
## 37 3.34
## 38 3.37
## 39 3.97
## 40 3.38
## 41 3.45
## 42 3.59
## 43 3.86
## 44 3.46
## 45 3.42
## 46 3.07
## 47 3.78
## 48 3.92
## 49 3.11
## 50 3.64
## 51 3.79
## 52 3.31
subset(Karyawan_R,select = c(1,2)) #Subset kolom pertama dan kedua
##    No Nama
## 1   1    A
## 2   2    B
## 3   3    C
## 4   4    D
## 5   5    E
## 6   6    F
## 7   7    G
## 8   8    H
## 9   9    I
## 10 10    J
## 11 11    K
## 12 12    L
## 13 13    M
## 14 14    N
## 15 15    O
## 16 16    P
## 17 17    Q
## 18 18    R
## 19 19    S
## 20 20    T
## 21 21    U
## 22 22    V
## 23 23    W
## 24 24    X
## 25 25    Y
## 26 26    Z
## 27 27    a
## 28 28    b
## 29 29    c
## 30 30    d
## 31 31    e
## 32 32    f
## 33 33    g
## 34 34    h
## 35 35    i
## 36 36    j
## 37 37    k
## 38 38    l
## 39 39    m
## 40 40    n
## 41 41    o
## 42 42    p
## 43 43    q
## 44 44    r
## 45 45    s
## 46 46    t
## 47 47    u
## 48 48    v
## 49 49    w
## 50 50    x
## 51 51    y
## 52 52    z
subset(Karyawan_R,select = c(2:5)) #Subset kolom kedua hingga kelima
##    Nama Jenis_Kelamin Tanggal_Lahir Universitas
## 1     A          Pria    2000-01-01          LN
## 2     B        Wanita    2001-01-01          LN
## 3     C          Pria    2002-01-01      Negeri
## 4     D          Pria    2003-01-01      Negeri
## 5     E          Pria    2000-01-01      Negeri
## 6     F          Pria    2001-01-01      Negeri
## 7     G        Wanita    2002-01-01      Negeri
## 8     H          Pria    2003-01-01      Swasta
## 9     I          Pria    2000-01-01      Negeri
## 10    J        Wanita    2001-01-01      Swasta
## 11    K        Wanita    2002-01-01      Swasta
## 12    L          Pria    2003-01-01      Swasta
## 13    M          Pria    2000-01-01      Negeri
## 14    N          Pria    2001-01-01      Negeri
## 15    O          Pria    2002-01-01      Negeri
## 16    P          Pria    2003-01-01      Swasta
## 17    Q          Pria    2000-01-01      Negeri
## 18    R          Pria    2001-01-01      Negeri
## 19    S        Wanita    2002-01-01      Negeri
## 20    T          Pria    2003-01-01      Swasta
## 21    U        Wanita    2000-01-01      Negeri
## 22    V          Pria    2001-01-01      Swasta
## 23    W          Pria    2002-01-01      Negeri
## 24    X        Wanita    2003-01-01      Swasta
## 25    Y          Pria    2000-01-01      Negeri
## 26    Z          Pria    2001-01-01      Negeri
## 27    a        Wanita    2002-01-01      Swasta
## 28    b        Wanita    2003-01-01      Swasta
## 29    c        Wanita    2000-01-01      Swasta
## 30    d        Wanita    2001-01-01          LN
## 31    e        Wanita    2002-01-01      Swasta
## 32    f        Wanita    2003-01-01          LN
## 33    g        Wanita    2000-01-01          LN
## 34    h        Wanita    2001-01-01      Negeri
## 35    i        Wanita    2002-01-01      Negeri
## 36    j          Pria    2003-01-01      Negeri
## 37    k          Pria    2000-01-01      Negeri
## 38    l        Wanita    2001-01-01      Negeri
## 39    m          Pria    2002-01-01          LN
## 40    n          Pria    2003-01-01      Negeri
## 41    o        Wanita    2000-01-01      Negeri
## 42    p        Wanita    2001-01-01          LN
## 43    q        Wanita    2002-01-01      Swasta
## 44    r          Pria    2003-01-01      Swasta
## 45    s        Wanita    2000-01-01          LN
## 46    t        Wanita    2001-01-01          LN
## 47    u          Pria    2002-01-01      Swasta
## 48    v        Wanita    2003-01-01      Swasta
## 49    w        Wanita    2000-01-01          LN
## 50    x          Pria    2001-01-01      Negeri
## 51    y        Wanita    2002-01-01      Negeri
## 52    z        Wanita    2003-01-01      Negeri

7 Mengganti Nama Variabel

rename_1<-Karyawan_R
names(rename_1)<-c("no",
                   "nama",
                   "tgl.lahir",
                   "jenis.kelamin",
                   "univ",
                   "ipk",
                   "gaji")
rename_1
##    no nama tgl.lahir jenis.kelamin   univ  ipk gaji
## 1   1    A      Pria    2000-01-01     LN 3.57 1155
## 2   2    B    Wanita    2001-01-01     LN 3.92  680
## 3   3    C      Pria    2002-01-01 Negeri 3.70  992
## 4   4    D      Pria    2003-01-01 Negeri 3.72 1094
## 5   5    E      Pria    2000-01-01 Negeri 3.60  917
## 6   6    F      Pria    2001-01-01 Negeri 3.85 1189
## 7   7    G    Wanita    2002-01-01 Negeri 3.24  935
## 8   8    H      Pria    2003-01-01 Swasta 3.39  972
## 9   9    I      Pria    2000-01-01 Negeri 3.02  609
## 10 10    J    Wanita    2001-01-01 Swasta 3.76  895
## 11 11    K    Wanita    2002-01-01 Swasta 3.66  802
## 12 12    L      Pria    2003-01-01 Swasta 3.01  617
## 13 13    M      Pria    2000-01-01 Negeri 3.95  624
## 14 14    N      Pria    2001-01-01 Negeri 3.66  679
## 15 15    O      Pria    2002-01-01 Negeri 3.11  639
## 16 16    P      Pria    2003-01-01 Swasta 3.18  921
## 17 17    Q      Pria    2000-01-01 Negeri 3.77  736
## 18 18    R      Pria    2001-01-01 Negeri 4.00 1058
## 19 19    S    Wanita    2002-01-01 Negeri 3.55  965
## 20 20    T      Pria    2003-01-01 Swasta 3.40 1117
## 21 21    U    Wanita    2000-01-01 Negeri 3.10 1193
## 22 22    V      Pria    2001-01-01 Swasta 3.41  866
## 23 23    W      Pria    2002-01-01 Negeri 3.63 1097
## 24 24    X    Wanita    2003-01-01 Swasta 3.12 1194
## 25 25    Y      Pria    2000-01-01 Negeri 3.94 1121
## 26 26    Z      Pria    2001-01-01 Negeri 3.29  632
## 27 27    a    Wanita    2002-01-01 Swasta 3.92  902
## 28 28    b    Wanita    2003-01-01 Swasta 3.40 1064
## 29 29    c    Wanita    2000-01-01 Swasta 3.31  703
## 30 30    d    Wanita    2001-01-01     LN 3.95  983
## 31 31    e    Wanita    2002-01-01 Swasta 3.42 1115
## 32 32    f    Wanita    2003-01-01     LN 3.43  831
## 33 33    g    Wanita    2000-01-01     LN 3.91 1115
## 34 34    h    Wanita    2001-01-01 Negeri 3.47  912
## 35 35    i    Wanita    2002-01-01 Negeri 3.30 1130
## 36 36    j      Pria    2003-01-01 Negeri 3.11  972
## 37 37    k      Pria    2000-01-01 Negeri 3.34  608
## 38 38    l    Wanita    2001-01-01 Negeri 3.37  809
## 39 39    m      Pria    2002-01-01     LN 3.97  756
## 40 40    n      Pria    2003-01-01 Negeri 3.38  707
## 41 41    o    Wanita    2000-01-01 Negeri 3.45 1019
## 42 42    p    Wanita    2001-01-01     LN 3.59 1106
## 43 43    q    Wanita    2002-01-01 Swasta 3.86 1093
## 44 44    r      Pria    2003-01-01 Swasta 3.46  981
## 45 45    s    Wanita    2000-01-01     LN 3.42  631
## 46 46    t    Wanita    2001-01-01     LN 3.07  730
## 47 47    u      Pria    2002-01-01 Swasta 3.78 1059
## 48 48    v    Wanita    2003-01-01 Swasta 3.92  980
## 49 49    w    Wanita    2000-01-01     LN 3.11  646
## 50 50    x      Pria    2001-01-01 Negeri 3.64  903
## 51 51    y    Wanita    2002-01-01 Negeri 3.79  684
## 52 52    z    Wanita    2003-01-01 Negeri 3.31 1077