Part 20 — Mini Project: Analisis Data Lengkap

Menggabungkan semua skill di R: import, clean, manipulasi, visualisasi, dan export dalam satu analisis end-to-end.
Fundamental
MiniProject
Diterbitkan

26 Februari 2026

Fundamental Series — Part 20 of 20 🎉

Selamat! Ini adalah part terakhir. Kita akan menggabungkan semua skill dari Part 0–19 dalam satu mini project analisis data end-to-end.

Skenario

Kamu mendapat dataset penjualan toko. Tugasmu: import, bersihkan, analisis, dan buat laporan sederhana.

Step 1 — Setup & Import

library(dplyr)
library(tidyr)
library(readr)
library(stringr)
library(lubridate)
library(ggplot2)

# Buat data simulasi (biasanya import dari CSV)
set.seed(42)

penjualan <- tibble(
  id = 1:200,
  tanggal = sample(seq(ymd("2025-01-01"), ymd("2025-12-31"), by = "day"), 200, replace = TRUE),
  produk = sample(c("Laptop", "Mouse", "Keyboard", "Monitor", "Headset"), 200, replace = TRUE),
  kategori = sample(c("Elektronik", "Aksesoris"), 200, replace = TRUE),
  kota = sample(c("Jakarta", "Bandung", "Surabaya", "Semarang", "Medan"), 200, replace = TRUE),
  jumlah = sample(1:10, 200, replace = TRUE),
  harga = sample(c(100, 50, 75, 300, 80), 200, replace = TRUE),
  diskon = sample(c(0, 0.05, 0.1, NA), 200, replace = TRUE)
)

Step 2 — Eksplorasi Awal

# Struktur data
glimpse(penjualan)

# Missing values
colSums(is.na(penjualan))

# Ringkasan
penjualan |> count(produk, sort = TRUE)
penjualan |> count(kota, sort = TRUE)

Step 3 — Cleaning

penjualan_clean <- penjualan |>
  # Isi diskon NA dengan 0

  mutate(diskon = replace_na(diskon, 0)) |>
  # Hitung total
  mutate(
    total = jumlah * harga * (1 - diskon),
    bulan = month(tanggal, label = TRUE),
    kuartal = quarter(tanggal)
  ) |>
  # Filter: hanya transaksi valid

  filter(total > 0)

Step 4 — Analisis

# Revenue per kota
revenue_kota <- penjualan_clean |>
  summarise(
    total_revenue = sum(total),
    n_transaksi = n(),
    avg_transaksi = mean(total),
    .by = kota
  ) |>
  arrange(desc(total_revenue))

# Revenue per bulan
revenue_bulan <- penjualan_clean |>
  summarise(
    total_revenue = sum(total),
    .by = bulan
  )

# Produk terlaris
produk_terlaris <- penjualan_clean |>
  summarise(
    total_terjual = sum(jumlah),
    total_revenue = sum(total),
    .by = produk
  ) |>
  arrange(desc(total_terjual))

Step 5 — Visualisasi

# Revenue per kota
ggplot(revenue_kota, aes(x = reorder(kota, total_revenue), y = total_revenue)) +
  geom_col(fill = "steelblue") +
  coord_flip() +
  labs(title = "Total Revenue per Kota", x = NULL, y = "Revenue")

# Trend bulanan
ggplot(revenue_bulan, aes(x = bulan, y = total_revenue, group = 1)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  labs(title = "Revenue Trend Bulanan", x = "Bulan", y = "Revenue")

Step 6 — Export

# Simpan data bersih
write_csv(penjualan_clean, here::here("output", "penjualan_clean.csv"))
saveRDS(penjualan_clean, here::here("output", "penjualan_clean.rds"))

# Simpan hasil analisis
write_csv(revenue_kota, here::here("output", "revenue_kota.csv"))

Checklist Skills yang Digunakan

Part Skill ✓
1 Variabel & tipe data ✓
2 Vektor & list ✓
3 DataFrame ✓
4 Operator ✓
5 Conditional (case_when) ✓
7 Fungsi ✓
8 String ✓
9 Date & time ✓
10 Missing values ✓
11 Packages ✓
12 Import & export ✓
13 Filter & select ✓
14 Mutate & arrange ✓
15 Group & summarise ✓

Tantangan Tambahan

BahayaExtend the Project
  1. Tambahkan analisis diskon — produk mana yang paling sering didiskon?
  2. Buat cross-tabulation kota × produk
  3. Identifikasi bulan terbaik per kota
  4. Buat fungsi ringkasan_kota(df, kota_nama) yang return summary lengkap
  5. Export visualisasi ke PNG: ggsave()

Penutup

Selamat menyelesaikan Fundamental Programming Series! 🎉

Kamu sekarang punya fondasi kuat untuk:

  • Mengimpor dan membersihkan data
  • Memanipulasi dan menganalisis data
  • Menulis kode yang terstruktur dan reproducible

Langkah selanjutnya: Lanjut ke tutorial topik spesifik — regresi, visualisasi lanjutan, atau machine learning.

Sebelumnya: Part 19 — Reproducible Workflow Kembali ke: Index Tutorial R