Data Mining Kelompok Bitcoin
Kelompok Bitcoin
11/27/2021
Import Dataset Kita yagesya
setwd("D:/STIS/4SE/4. Data Mining/Tugas/Kelompok Datmin/Bismillah Ya")
library(readxl)## Warning: package 'readxl' was built under R version 4.0.5Data <- read_excel("Data.xlsx")
View(Data)Load Library kita yagesya
library(dplyr)## Warning: package 'dplyr' was built under R version 4.0.5##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)## Warning: package 'tidyr' was built under R version 4.0.5library(data.table)## Warning: package 'data.table' was built under R version 4.0.5##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, lastlibrary(DT)## Warning: package 'DT' was built under R version 4.0.5library(caret)## Warning: package 'caret' was built under R version 4.0.5## Loading required package: lattice## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.0.5library(rpart)## Warning: package 'rpart' was built under R version 4.0.5library(rpart.plot)## Warning: package 'rpart.plot' was built under R version 4.0.5library(randomForest)## Warning: package 'randomForest' was built under R version 4.0.5## randomForest 4.6-14## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:ggplot2':
##
## margin## The following object is masked from 'package:dplyr':
##
## combinelibrary(e1071)## Warning: package 'e1071' was built under R version 4.0.5library(rmarkdown)## Warning: package 'rmarkdown' was built under R version 4.0.5library(ggplot2)
library(pROC)## Warning: package 'pROC' was built under R version 4.0.5## Type 'citation("pROC")' for a citation.##
## Attaching package: 'pROC'## The following objects are masked from 'package:stats':
##
## cov, smooth, varlibrary(smotefamily)## Warning: package 'smotefamily' was built under R version 4.0.5dataset<-as.data.frame(Data)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : num 0 1 0 1 0 0 0 0 1 0 ...
## $ Daerah : chr "2" "2" "1" "1" ...
## $ Gender : num 1 1 1 1 1 1 2 1 1 1 ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : num 2 2 2 2 1 2 2 4 2 2 ...
## $ Ijazah : num 1 11 1 1 14 10 1 1 14 7 ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...#View(dataset)PREPROCESSING 1. Mengubah kategori terdampak : tidak = 0, terdampak = 1
dataset$Terdampak <- gsub("0", "Tidak", dataset$Terdampak)
dataset$Terdampak <- gsub("1", "Ya", dataset$Terdampak)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "2" "2" "1" "1" ...
## $ Gender : num 1 1 1 1 1 1 2 1 1 1 ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : num 2 2 2 2 1 2 2 4 2 2 ...
## $ Ijazah : num 1 11 1 1 14 10 1 1 14 7 ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...- Mengubah kategori daerah : perkotaan = 1, perdesaan = 2
dataset$Daerah <- gsub("1", "Perkotaan", dataset$Daerah)
dataset$Daerah <- gsub("2", "Perdesaan", dataset$Daerah)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : num 1 1 1 1 1 1 2 1 1 1 ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : num 2 2 2 2 1 2 2 4 2 2 ...
## $ Ijazah : num 1 11 1 1 14 10 1 1 14 7 ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...- Mengubah kategori gender : laki = 1, perempuan = 2
dataset$Gender <- gsub("1", "Laki", dataset$Gender)
dataset$Gender <- gsub("2", "Perempuan", dataset$Gender)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : num 2 2 2 2 1 2 2 4 2 2 ...
## $ Ijazah : num 1 11 1 1 14 10 1 1 14 7 ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...- Mengubah kategori status perkawinan : Belum Pernah Menikah = 1, Sudah Pernah Menikah = 2,3,4
dataset$StatusPerkawinan <- gsub("1", "Belum Pernah Menikah", dataset$StatusPerkawinan)
dataset$StatusPerkawinan <- gsub("2", "Sudah Pernah Menikah", dataset$StatusPerkawinan)
dataset$StatusPerkawinan <- gsub("3", "Sudah Pernah Menikah", dataset$StatusPerkawinan)
dataset$StatusPerkawinan <- gsub("4", "Sudah Pernah Menikah", dataset$StatusPerkawinan)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : chr "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" ...
## $ Ijazah : num 1 11 1 1 14 10 1 1 14 7 ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...- Mengubah kategori Ijazah : SD kebawah = 1-4, SMP dan SMA = 5-11, Perguruan Tinggi = 12-16
dataset$Ijazah <- gsub("12", "Perguruan Tinggi", dataset$Ijazah)
dataset$Ijazah <- gsub("13", "Perguruan Tinggi", dataset$Ijazah)
dataset$Ijazah <- gsub("14", "Perguruan Tinggi", dataset$Ijazah)
dataset$Ijazah <- gsub("15", "Perguruan Tinggi", dataset$Ijazah)
dataset$Ijazah <- gsub("16", "Perguruan Tinggi", dataset$Ijazah)
dataset$Ijazah <- gsub("5", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("6", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("7", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("8", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("9", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("10", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("11", "SMP dan SMA", dataset$Ijazah)
dataset$Ijazah <- gsub("1", "SD kebawah", dataset$Ijazah)
dataset$Ijazah <- gsub("2", "SD kebawah", dataset$Ijazah)
dataset$Ijazah <- gsub("3", "SD kebawah", dataset$Ijazah)
dataset$Ijazah <- gsub("4", "SD kebawah", dataset$Ijazah)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : chr "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" ...
## $ Ijazah : chr "SD kebawah" "SMP dan SMA" "SD kebawah" "SD kebawah" ...
## $ Pelatihan : num 2 2 2 2 2 1 2 2 1 2 ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...7.Mengubah kategori Pelatihan : Ya = 1, Tidak = 2
dataset$Pelatihan <- gsub("1", "Ya", dataset$Pelatihan)
dataset$Pelatihan <- gsub("2", "Tidak", dataset$Pelatihan)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : chr "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" ...
## $ Ijazah : chr "SD kebawah" "SMP dan SMA" "SD kebawah" "SD kebawah" ...
## $ Pelatihan : chr "Tidak" "Tidak" "Tidak" "Tidak" ...
## $ LU : num 1 3 3 1 1 14 1 1 9 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...- Lapangan Usaha : Primer = 1-2, Sekunder = 3-6, Tersier = 7-17
dataset$LU <- gsub("10", "Tersier", dataset$LU)
dataset$LU <- gsub("11", "Tersier", dataset$LU)
dataset$LU <- gsub("12", "Tersier", dataset$LU)
dataset$LU <- gsub("13", "Tersier", dataset$LU)
dataset$LU <- gsub("14", "Tersier", dataset$LU)
dataset$LU <- gsub("15", "Tersier", dataset$LU)
dataset$LU <- gsub("16", "Tersier", dataset$LU)
dataset$LU <- gsub("17", "Tersier", dataset$LU)
dataset$LU <- gsub("7", "Tersier", dataset$LU)
dataset$LU <- gsub("8", "Tersier", dataset$LU)
dataset$LU <- gsub("9", "Tersier", dataset$LU)
dataset$LU <- gsub("1", "Primer", dataset$LU)
dataset$LU <- gsub("2", "Primer", dataset$LU)
dataset$LU <- gsub("3", "Sekunder", dataset$LU)
dataset$LU <- gsub("4", "Sekunder", dataset$LU)
dataset$LU <- gsub("5", "Sekunder", dataset$LU)
dataset$LU <- gsub("6", "Sekunder", dataset$LU)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : chr "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" ...
## $ Ijazah : chr "SD kebawah" "SMP dan SMA" "SD kebawah" "SD kebawah" ...
## $ Pelatihan : chr "Tidak" "Tidak" "Tidak" "Tidak" ...
## $ LU : chr "Primer" "Sekunder" "Sekunder" "Primer" ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: num 2 2 2 2 2 2 2 2 2 2 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...#View(dataset)- Mengubah Kategori Menggunakan Komputer : Ya = 1, Tidak = 2
dataset$MenggunakanKomputer <- gsub("1", "Ya", dataset$MenggunakanKomputer)
dataset$MenggunakanKomputer <- gsub("2", "Tidak", dataset$MenggunakanKomputer)
str(dataset)## 'data.frame': 20000 obs. of 15 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : chr "Tidak" "Ya" "Tidak" "Ya" ...
## $ Daerah : chr "Perdesaan" "Perdesaan" "Perkotaan" "Perkotaan" ...
## $ Gender : chr "Laki" "Laki" "Laki" "Laki" ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : chr "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" "Sudah Pernah Menikah" ...
## $ Ijazah : chr "SD kebawah" "SMP dan SMA" "SD kebawah" "SD kebawah" ...
## $ Pelatihan : chr "Tidak" "Tidak" "Tidak" "Tidak" ...
## $ LU : chr "Primer" "Sekunder" "Sekunder" "Primer" ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : num 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: chr "Tidak" "Tidak" "Tidak" "Tidak" ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...============================================================================
MENGGABUNGKAN PENDAPATAN DAN UPAH
dataset <- dataset %>% mutate(PendapatanUpah = Pendapatan+Upah)
#View(dataset)SET AS FACTOR
dataset$Terdampak <- as.factor(dataset$Terdampak)
dataset$Daerah <- as.factor(dataset$Daerah)
dataset$Gender <- as.factor(dataset$Gender)
dataset$StatusPerkawinan <- as.factor(dataset$StatusPerkawinan)
dataset$Ijazah <- as.factor(dataset$Ijazah)
dataset$Pelatihan <- as.factor(dataset$Pelatihan)
dataset$LU <- as.factor(dataset$LU)
dataset$StatusPekerjaan <- as.factor(dataset$StatusPekerjaan)
dataset$MenggunakanKomputer <- as.factor(dataset$MenggunakanKomputer)
str(dataset)## 'data.frame': 20000 obs. of 16 variables:
## $ No : num 1 2 3 4 5 6 7 8 9 10 ...
## $ Terdampak : Factor w/ 2 levels "Tidak","Ya": 1 2 1 2 1 1 1 1 2 1 ...
## $ Daerah : Factor w/ 2 levels "Perdesaan","Perkotaan": 1 1 2 2 1 1 1 1 2 1 ...
## $ Gender : Factor w/ 2 levels "Laki","Perempuan": 1 1 1 1 1 1 2 1 1 1 ...
## $ Umur : num 46 37 45 31 25 33 55 73 60 45 ...
## $ StatusPerkawinan : Factor w/ 2 levels "Belum Pernah Menikah",..: 2 2 2 2 1 2 2 2 2 2 ...
## $ Ijazah : Factor w/ 3 levels "Perguruan Tinggi",..: 2 3 2 2 1 3 2 2 1 3 ...
## $ Pelatihan : Factor w/ 2 levels "Tidak","Ya": 1 1 1 1 1 2 1 1 2 1 ...
## $ LU : Factor w/ 3 levels "Primer","Sekunder",..: 1 2 2 1 1 3 1 1 3 1 ...
## $ JamKerja : num 36 77 70 56 56 45 28 30 7 28 ...
## $ StatusPekerjaan : Factor w/ 7 levels "1","2","3","4",..: 2 4 4 5 2 4 7 5 3 2 ...
## $ MenggunakanKomputer: Factor w/ 2 levels "Tidak","Ya": 1 1 1 1 1 1 1 1 1 1 ...
## $ JumlahHariKerja : num NA 30 30 30 NA 20 NA 20 NA NA ...
## $ Pendapatan : num NA 0 0 1500000 NA 0 NA 500000 NA NA ...
## $ Upah : num NA 1000000 1200000 0 NA 1000000 NA 0 NA NA ...
## $ PendapatanUpah : num NA 1000000 1200000 1500000 NA 1000000 NA 500000 NA NA ...summary(dataset)## No Terdampak Daerah Gender
## Min. : 1 Tidak:15640 Perdesaan:14310 Laki :12336
## 1st Qu.: 5001 Ya : 4360 Perkotaan: 5690 Perempuan: 7664
## Median :10000
## Mean :10000
## 3rd Qu.:15000
## Max. :20000
##
## Umur StatusPerkawinan Ijazah
## Min. :15.00 Belum Pernah Menikah: 3167 Perguruan Tinggi:2673
## 1st Qu.:33.00 Sudah Pernah Menikah:16833 SD kebawah :8962
## Median :43.00 SMP dan SMA :8365
## Mean :42.87
## 3rd Qu.:52.00
## Max. :98.00
##
## Pelatihan LU JamKerja StatusPekerjaan
## Tidak:17628 Primer :8648 Min. : 1.00 1:4870
## Ya : 2372 Sekunder:2874 1st Qu.:28.00 2:3974
## Tersier :8478 Median :40.00 3: 750
## Mean :39.38 4:5993
## 3rd Qu.:49.00 5: 848
## Max. :98.00 6: 696
## 7:2869
## MenggunakanKomputer JumlahHariKerja Pendapatan Upah
## Tidak:17396 Min. : 1.00 Min. : 0 Min. : 0
## Ya : 2604 1st Qu.:21.00 1st Qu.: 0 1st Qu.: 0
## Median :25.00 Median : 122500 Median : 0
## Mean :24.01 Mean : 927128 Mean : 1317753
## 3rd Qu.:30.00 3rd Qu.: 1500000 3rd Qu.: 2000000
## Max. :70.00 Max. :30000000 Max. :67075700
## NA's :7594 NA's :7593 NA's :7593
## PendapatanUpah
## Min. : 0
## 1st Qu.: 800000
## Median : 1600000
## Mean : 2244881
## 3rd Qu.: 3000000
## Max. :67075700
## NA's :7593LALU MEMBUAT MELIHAT APAKAH DATA IMBALANCE ATAU TIDAK
propTerdampak<-table(dataset$Terdampak)
propTerdampak##
## Tidak Ya
## 15640 4360perc<-round(prop.table(propTerdampak), digits=2)
barplot(perc,
main="Terdampak Pandemi COVID-19",
xlab="Label",
ylab="proporsi",
col="brown",
density = 10,
angle = 45,
names.arg = c("Tidak","Ya"))
datasetcoba <- dataset
datasetcoba$PendapatanUpah <- datasetcoba$PendapatanUpah %>% replace_na(0)
for(i in 1:nrow(datasetcoba)){
if (datasetcoba$PendapatanUpah[i] < 5000000)
{datasetcoba$ket[i] <- "Miskin"}
else
{datasetcoba$ket[i] <- "Kaya"}
}
View(datasetcoba)